论文摘要
特征子集选择FSS(Feature Subset Selection)是机器学习和模式识别中非常困难而有意义的一个问题,其目的是为了减少用于分类或识别问题中的特征数量,以提高学习算法的效率和准确度。现有的属性选择研究大多都集中于特征值是实型或符号型事例,研究模糊值特征子集选择及其计算复杂性的比较少。最优模糊特征子集选取OFFSS(Optimal Fuzzy-Valued Feature Subset Selection)是一种用模糊扩张矩阵进行最优特征子集选择的方法。OFFSS通过计算正例集合和反例集合的覆盖程度OV 得到一个阈值T 。OFFSS问题就是在属性值为模糊值的特征全集FS中,寻找一个特征子集S*,使S* 是在OV ≤T 的情况下,FS 的最小子集。本文提出了一种基于underT元素流失率的OFFSS 改进算法,提高了OFFSS 算法的特征选择效果,并应用面向对象的软件设计技术实现了基于GUI 的OFFSS 系统。在大量实验的基础上,验证了基于underT元素流失率的OFFSS 算法的可行性。
论文目录
摘要ABSTRACT第1章 绪论1.1 背景知识1.2 特征子集选择问题的产生及研究现状1.3 研究背景1.4 本文的研究重点和主要内容第2章 最优模糊值特征子集选择OFFSS2.1 最优特征子集选择问题2.1.1 一致特征集2.1.2 最优特征子集选择问题是NP 难题2.2 最优模糊值特征子集选择OFFSS 算法概述2.2.1 OFFSS 算法中的基本概念2.2.2 OFFSS 启发式算法2.3 数据模糊化方法简介2.4 小结第3章 基于UNDERT元素流失率的OFFSS 算法探索3.1 引言3.2 UNDERT 元素流失量3.3 UNDERT 元素流失率3.4 加入DI 函数的改进算法3.5 小结第4章 OFFSS 系统的程序实现4.1 需求分析及解决方案4.1.1 需求分析4.1.2 解决方案4.2 系统设计4.2.1 功能模块设计4.2.2 数据结构设计4.3 系统实现4.3.1 数据结构定义4.3.2 功能流程4.3.3 整体效果4.3.4 结果输出4.4 小结第5章 系统性能测试与分析5.1 OFFSS 系统在算法改进前与改进后的比较实验及分析5.2 基于UNDERT 元素流失率的OFFSS 系统与原OFFSS 系统的比较实验及分析..5.3 加入ΘI函数的OFFSS 系统与加入DI函数的OFFSS 系统的比较实验及分析5.4 OFFSS 系统对混合型数据集进行特征选取的实验5.5 实验小结第6章 结束语参考文献攻读硕士学位期间所撰写的论文致谢
相关论文文献
标签:机器学习论文; 模糊化论文; 扩张矩阵论文; 特征子集论文; 元素流失论文;