視覺注意機制啟發(fā)的分組排序特征選擇方法研究.pdf

1、在大數(shù)據(jù)的時代背景下，為了從超大規(guī)模的高維數(shù)據(jù)中快速獲取有效信息，特征選擇至關重要也備受關注?；谔卣鞣纸M的特征選擇方法由于其兼顧了最大化特征與類別之間的相關程度和最小化特征間的冗余度的優(yōu)勢而被廣泛接受，而視覺注意機制的顯著性計算方式與特異性處理機制又對分組排序特征選擇方法產(chǎn)生了奇妙的啟發(fā)。
　　本文受這種啟發(fā)影響，分別模擬其對相關信息的特異性處理策略和對顯著信息的顯著性計算策略，形成分組排序的新思路，提出分組排序特征選擇（Gro

2、uped Sorting Feature Selection, GSFS）算法。首先從特征分組和排序過程與視覺注意機制兩種策略的相似性入手，介紹 GSFS算法與視覺注意機制的模擬—啟發(fā)關系，結合特征分組和排序指標的介紹，確定基于最大信息壓縮指數(shù)和Fisher分數(shù)的GSFS算法并詳述其基本原理，構建合適的最佳分組數(shù)目確定準則和最優(yōu)特征子集確定準則并實現(xiàn)了算法流程。隨后在8個不同維度，不同類別數(shù)的標準數(shù)據(jù)集上進行了分類實驗和去冗余效果測評，

3、通過和6種經(jīng)典特征選擇算法的實驗結果對比說明 GSFS算法選出的最優(yōu)特征子集分類能力優(yōu)良且所含冗余信息最少，從而證明了GSFS算法在解決特征選擇問題時的有效性。
　　在 GSFS算法的理論基礎上，為進一步解決高維數(shù)據(jù)集特征選擇中計算復雜度較高的問題，又提出基于分布式處理的分組排序特征選擇（ Distributed Processing based Grouped Sorting Feature Selection, DP_GSFS

4、）算法。它采用將原始特征集均分的方式，減少特征對之間相關性度量的計算復雜度以提高計算效率。在6個標準數(shù)據(jù)集上的分類實驗和去冗余效果測評分別驗證了DP_GSFS算法分類能力和去冗余效果的基礎上，兩種算法的對比實驗結果表明DP_GSFS算法僅需設置合適的分組數(shù)，就可以顯著降低計算時間，由此證明了其在提高計算效率方面的作用，這也可以為將來超大規(guī)模海量數(shù)據(jù)集的快速分析處理提供有價值的參考。另外，本文還將算法應用在真實醫(yī)學圖像特征數(shù)據(jù)集上，特征選