(计算智能与信号处理教育部重点实验室(安徽大学) 合肥 230601) (安徽大学计算机科学与技术学院 合肥 230601) (fisheryao@126.com)
出版日期: 2018-04-01基金资助:国家自然科学基金项目(61602004，61300057);安徽省自然科学基金项目(1508085MF127);安徽省高等学校自然科学研究重点项目(KJ2016A041,KJ2017A011);安徽大学信息保障技术协同创新中心公开招标课题(ADXXBZ2014-5,ADXXBZ2014-6);安徽大学博士科研启动基金项目(J10113190072)Intuitionistic Fuzzy Entropy Feature Selection Algorithm Based on Adaptive Neighborhood Space Rough Set Model
Yao Sheng, Xu Feng, Zhao Peng, Ji Xia(Key Laboratory of Intelligent Computing & Signal Processing (Anhui University), Ministry of Education, Hefei 230601) (College of Computer Science and Technology, Anhui University, Hefei 230601)
Online: 2018-04-01摘要/Abstract
摘要： 特征选择是数据预处理中一项很重要的技术，主要从原始数据集的特征中选出一些最有效的特征以降低数据集的维度，从而提高学习算法性能.目前基于邻域粗糙集模型的特征选择算法中，由于没有考虑数据分布不均的问题，对象的邻域存在一定的缺陷.为了解决这个问题，采用方差来度量数据的分布情况，重新定义二元邻域空间，基于此提出自适应二元邻域空间的粗糙集模型，并将该模型与邻域直觉模糊熵结合作为特征评估的方式，进而构造相应的特征选择算法.UCI实验结果表明：所提出的算法能够选出更小且具有更高分类精度的特征子集，同时算法拥有更少的时间消耗.因此所提的特征选择算法具有更强的优越性.
参考文献
相关文章 15
| [1] | 夏冬雪, 杨燕, 王浩, 阳树洪. 基于邻域多核学习的后融合多视图聚类算法[J]. 计算机研究与发展, 2020, 57(8): 1627-1638. |
| [2] | 刘艳芳, 李文斌, 高阳. 基于自适应邻域嵌入的无监督特征选择算法[J]. 计算机研究与发展, 2020, 57(8): 1639-1649. |
| [3] | 李金海, 李玉斐, 米允龙, 吴伟志. 多粒度形式概念分析的介粒度标记方法[J]. 计算机研究与发展, 2020, 57(2): 447-458. |
| [4] | 郭亚庆,王文剑,苏美红. 一种针对异常点的自适应回归特征选择方法[J]. 计算机研究与发展, 2019, 56(8): 1695-1707. |
| [5] | 王念, 彭政红, 崔莉. EasiFFRA:一种基于邻域粗糙集的属性快速约简算法[J]. 计算机研究与发展, 2019, 56(12): 2578-2588. |
| [6] | 谢秦,张清华,王国胤. 基于相似度量的自适应三支垃圾邮件过滤器[J]. 计算机研究与发展, 2019, 56(11): 2410-2423. |
| [7] | 鄢舒,陈帆,和红杰. 异或-置乱框架下邻域预测加密域可逆信息隐藏[J]. 计算机研究与发展, 2018, 55(6): 1211-1221. |
| [8] | 吴伟志,杨丽,谭安辉,徐优红. 广义不完备多粒度标记决策系统的粒度选择[J]. 计算机研究与发展, 2018, 55(6): 1263-1272. |
| [9] | 王玲,孟建瑶. 基于特征变权的动态模糊特征选择算法[J]. 计算机研究与发展, 2018, 55(5): 893-907. |
| [10] | 韩朝,苗夺谦,任福继,张红云. 基于粗糙集知识发现的开放领域中文问答检索[J]. 计算机研究与发展, 2018, 55(5): 958-967. |
| [11] | 孟军,张晶,姜丁菱,何馨宇,李丽双. 结合近邻传播聚类的选择性集成分类方法[J]. 计算机研究与发展, 2018, 55(5): 986-993. |
| [12] | 周艳红,张贤勇,莫智文. 粒化单调的条件邻域熵及其相关属性约简[J]. 计算机研究与发展, 2018, 55(11): 2395-2405. |
| [13] | 许行,张凯,王文剑. 一种小样本数据的特征选择方法[J]. 计算机研究与发展, 2018, 55(10): 2321-2330. |
| [14] | 陈加略,姜远. 最优间隔分布脊回归[J]. 计算机研究与发展, 2017, 54(8): 1744-1750. |
| [15] | 王珺,卫金茂,张璐. 基于保留分类信息的多任务特征学习算法[J]. 计算机研究与发展, 2017, 54(3): 537-548. |
PDF全文下载地址:
https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3672
