Print

OFFSS算法的改进及实现

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OFFSS
  • 2.1 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

    本文来源: https://www.lw50.cn/article/c4d71c66b3d328fbae44dfd0.html