模式识别与人工智能
2025年4月4日 星期五   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2017, Vol. 30 Issue (9): 822-832    DOI: 10.16451/j.cnki.issn1003-6059.201709006
研究与应用 最新目录| 下期目录| 过刊浏览| 高级检索 |
面向函数型数据的快速特征选择方法*
马忱1,王文剑1,2,姜高霞1
1.山西大学 计算机与信息技术学院 太原 030006
2.山西大学 计算智能与中文信息处理教育部重点实验室 太原 030006
Fast Feature Selection for Functional Data
MA Chen1, WANG Wenjian1,2, JIANG Gaoxia1
1.School of Computer and Information Technology, Shanxi University, Taiyuan 030006
2.Key Laboratory of Computational Intelligence and Chinese Information Processing of Ministry of Education, Shanxi University, Taiyuan 030006

全文: PDF (974 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 函数型数据的特征选择是从庞大的函数信息中选出那些相关性小、代表性强的少部分特征,以简化后期分类器的计算,提高泛化能力.由于特征选择方法用于函数数据分类效果并不理想,文中提出面向函数型数据的结合主成分分析法和最小凸包法的快速特征选择(FFS)方法,可以快速获得稳定的特征子集.此外,考虑到特征之间可能存在相关性,将FFS的结果作为其它方法的初始特征子集,故融合FFS与条件互信息方法.在UCR数据集上的实验证明FFS的有效性,并通过对比实验给出在不同时间代价和分类精度需求下的方法选择策略.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
马忱
王文剑
姜高霞
关键词 函数型数据(FD) 特征选择 主成分分析(PCA) 最小凸包 条件互信息(CMI)    
Abstract:Feature selection of functional data aims to choose those features slightly correlated and strongly representative, from the huge functional information. And it can simplify the calculation and improve the generalization ability. Traditional feature selection methods are directly applied in functional data, and the results are not effective or efficient. A functional data oriented fast feature selection(FFS) method integrating principal component analysis(PCA) and minimum convex hull is proposed in this paper. FFS can obtain stable subset of features fleetly. Considering the correlation embedding in features, the result of FFS can serve as initial feature subset of other iterative approaches. This means twice feature selection will be needed. As a popular feature selection method for functional data, conditional mutual information(CMI) is adopted. The experiment results on UCR datasets demonstrate the effectiveness of FFS, and a selection strategy under different demands of time cost or classification accuracy is given through the contrast experiments.
Key wordsFunctional Data(FD)    Feature Selection    Principal Component Analysis(PCA)    Minimum Convex Hull    Conditional Mutual Information(CMI)   
收稿日期: 2017-04-10     
ZTFLH: TP 301  
基金资助:国家自然科学基金项目(No.61673249,61273291)、山西省回国留学人员科研项目(No.2016-004)资助
作者简介: 马 忱,女,1991年生,硕士研究生,主要研究方向为函数型数据分析.E-mail: 15735175851@163.com.
王文剑(通讯作者),女,1968年生,博士,教授,主要研究方向为机器学习、计算智能、图像处理等.E-mail:wjwang@sxu.edu.cn.
姜高霞,男,1987年生,博士研究生,主要研究方向为函数型数据分析、机器学习.E-mail:jianggaoxia@sxu.edu.cn.
引用本文:   
马忱,王文剑,姜高霞. 面向函数型数据的快速特征选择方法*[J]. 模式识别与人工智能, 2017, 30(9): 822-832. MA Chen, WANG Wenjian, JIANG Gaoxia. Fast Feature Selection for Functional Data. , 2017, 30(9): 822-832.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.201709006      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2017/V30/I9/822
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn