《模式識別之特徵選擇》是2016年電子工業出版社出版的圖書，作者是楊宏暉,申昇。
基本介紹
- 中文名：模式識別之特徵選擇
- 作者：楊宏暉,申昇
- 出版社：電子工業出版社
- 出版時間：2016年06月
- 頁數：188 頁
- 定價：48 元
- 開本：16 開
- ISBN：9787121282683
作者介紹,內容簡介,目 錄,
作者介紹
楊宏暉，博士，西北工業大學航海學院環境工程系副教授，系教學主任，環境工程專業負責人，中船重工第760研究所國防科技重點實驗室客座專家，電子學會會員。主持2013年度陝西普通本科高校省級“專業綜合改革試點”項目；主持西北工業大學校教學改革項目“聲環境監測課程建設的創新研究與實踐”；承擔西北工業大學校教學改革項目“聲信號處理課程教學改革”；陝西省精品課程《噪聲與振動控制》骨幹教師之一；陝西省教學團隊重要成員之一；多次國家重大基礎研究項目；國家重點實驗室基金項目；國防預研項目。
內容簡介
本書系統深入地論述用於模式識別的特徵選擇的理論與方法。在內容上注重系統、全面地論述特徵選擇理論和方法，並力求反映國內、外特徵選擇領域的最新發展趨勢。
全書重點論述各種有監督和無監督特徵選擇理論及方法。全面涵蓋特徵選擇原理、特徵選擇方法分類、各類特徵選擇方法特點及特徵選擇算法性能評價方法等知識。論述各種特徵評價方法。論述各種濾波式、封裝式特徵選擇方法的原理、工作流程及算法步驟。論述特徵選擇集成方法、特徵選擇方法與樣本選擇及分類器集成的融合方法。還包括用於無監督模式識別的基於圖譜理論的特徵選擇方法，用於最佳化深度學習網路的特徵選擇方法等的最新研究成果。
目 錄
第1章 緒論 1
1.1 概述 1
1.2 本書章節安排 3
參考文獻 4
第2章 特徵選擇原理 5
2.1 定義 5
2.1.1 特徵相關性定義 5
2.1.2 特徵選擇定義 5
2.2 特徵選擇過程 6
2.2.1 特徵子集的搜尋 6
2.2.2 特徵子集的評價 8
2.2.3 特徵子集搜尋的終止 9
2.2.4 選擇結果確認 9
2.3 特徵選擇方法分類 9
2.3.1 濾波式（Filters） 9
2.3.2 封裝式（Wrappers） 10
2.3.3 混合式（Hybrid Algorithm） 11
2.3.4 嵌入式（Embedded Solutions） 12
2.4 特徵選擇算法的評價 12
2.4.1 特徵選擇算法的兩個重要參數 12
2.4.2 特徵選擇算法的穩定性評價 12
2.5 本章小結 14
參考文獻 15
第3章 特徵評價方法 17
3.1 概述 17
3.2 基於距離的評價準則 17
3.2.1 質心距離準則 17
3.2.2 類類間最小距離準則 17
3.2.3 類內間距離準則 17
3.2.4 混合距離準則 18
3.3 基於互信息理論的特徵評價準則 18
3.3.1 特徵選擇問題中的信息熵 18
3.3.2 特徵選擇問題中的互信息 21
3.3.3 互信息特徵評價準則 23
3.3.4 連續特徵的離散化 24
3.4 基於支持向量機的特徵評價準則 26
3.4.1 SVM的工作原理 26
3.4.2 SVM分類器分類性能估計及設計
3.4.3 基於SVM分類性能估計的特徵評價準則 37
3.5 本章小結 38
參考文獻 38
第4章 濾波式特徵選擇算法 40
4.1 順序搜尋特徵選擇算法 40
4.1.1 順序向前特徵選擇算法 40
4.1.2 順序向後特徵選擇算法 41
4.1.3 順序雙向特徵選擇算法 41
4.2 Relief特徵選擇算法 41
4.3 最近鄰收縮規則 42
4.4 Simba算法 43
4.5 實驗及結果 44
4.5.1 實驗數據及實驗設定 44
4.5.2 實驗及討論 44
4.6 本章小結 47
參考文獻 47
第5章 基於人工免疫系統的特徵選擇算法 49
5.1 人工免疫系統的研究歷史和現狀 49
5.2 基於免疫機理的特徵選擇算法 50
5.2.1 算法原理 50
5.2.2 編碼與初始種群的生成 50
5.2.3 適應度函式 50
5.2.4 免疫操作 51
5.3 基於免疫克隆機理的特徵選擇方法 52
5.3.1 算法原理 52
5.3.2 問題編碼 53
5.3.3 親合度函式 53
5.3.4 抗體克隆數 53
5.3.5 免疫克隆運算元 53
5.4 遺傳算法 55
5.4.1 遺傳算法基本概念 55
5.4.2 遺傳算法用於特徵選擇原理 55
5.5 實驗與討論 57
5.5.1 實驗目的 57
5.5.2 實驗數據 57
5.5.3 實驗結果及討論 57
5.6 本章小結 64
參考文獻 65
第6章 特徵選擇、樣本選擇與分類器集成融合 67
6.1 概述 67
6.2 樣本選擇原理 67
6.2.1 樣本選擇的定義 67
6.2.2 樣本選擇的必要性 67
6.2.3 樣本選擇方法分類 68
6.2.4 加權最近鄰收縮樣本選擇算法 69
6.2.5 加權免疫克隆樣本選擇算法 70
6.3 分類器集成 72
6.3.1 分類器集成 72
6.3.2 經典分類器集成方法 73
6.3.3 分類器選擇性集成算法 76
6.4 樣本選擇與特徵選擇融合方法 79
6.4.1 WRNN-FSA融合算法 79
6.4.2 WICIS -FSA融合算法 80
6.4.3 實驗與討論 81
6.5 樣本、特徵與分類器集成的融合方法 85
6.5.1 樣本選擇、特徵選擇與分類器集成融合原理 85
6.5.2 MISFFS算法 86
6.5.3 WRNNIF-SVME算法 87
6.5.4 WICIF-SVME算法 87
6.5.5 實驗與討論 88
6.6 本章小結 96
參考文獻 96
第7章 無監督特徵選擇算法 101
7.1 基於特徵相關性的無監督特徵選擇 101
7.1.1 基於互信息的無監督特徵選擇 101
7.1.2 基於非參數互信息的無監督特徵選擇 105
7.1.3 基於特徵相似性的無監督特徵選擇 107
7.2 基於譜圖理論的無監督特徵選擇 110
7.2.1 基於譜的無監督特徵選擇 111
7.2.2 譜聚類無監督特徵選擇 114
7.3 本章小結 118
參考文獻 118
第8章 特徵選擇算法集成 121
8.1 概述 121
8.2 特徵選擇算法集成 121
8.2.1 基本概念 121
8.2.2 個體特徵選擇器的生成方法 122
8.2.3 特徵選擇算法集成方法 124
8.3 基於特徵排序表的特徵選擇算法集成方法 125
8.3.1 特徵排序表集成概念 125
8.3.2 特徵排序表集成方法 126
8.4 特徵選擇算法集成實驗及討論 127
8.4.1 實驗數據介紹 127
8.4.2 基於Bagging的特徵選擇算法集成實驗 127
8.4.3 IFSA算法的集成實驗結果及討論 128
8.4.4 順序向前特徵選擇算法集成的實驗結果及討論 130
8.4.5 實驗結論 131
8.5 特徵選擇算法集成的套用實例——基於fMRI圖像及基因的疾病診斷 131
8.5.1 套用背景 131
8.5.2 利用特徵選擇與SVM集成融合fMRI和SNP數據進行疾病診斷 134
8.6 本章小結 142
參考文獻 142
第9章 特徵選擇用於深度學習 146
9.1 深度置信網路基礎模型——受限玻爾茲曼機 146
9.1.1 受限玻爾茲曼機模型 147
9.1.2 高斯-伯努利受限玻爾茲曼機 148
9.1.3 受限玻爾茲曼機的訓練 148
9.2 深度置信網路及其特徵學習 150
9.2.1 深度置信網路的提出 150
9.2.2 深度置信網路的訓練 150
9.2.3 用於分類識別的深度置信網路 153
9.2.4 特徵學習結果分析 153
9.3 基於互信息的深度特徵最佳化選擇 155
9.3.1 平均互信息無監督深度特徵最佳化選擇 156
9.3.2 非參數互信息無監督深度特徵最佳化選擇 161
9.3.3 信息增益有監督深度特徵最佳化選擇 165
9.3.4 聯合互信息有監督深度特徵最佳化選擇 170
9.4 基於特徵選擇最佳化的DBN模型 173
9.4.1 基於特徵選擇最佳化的DBN結構 173
9.4.2 基於平均互信息特徵選擇最佳化的DBN模型 174
9.4.3 基於非參數互信息特徵選擇最佳化的DBN模型 176
9.5 本章小結 178
參考文獻 178
