自适应特征选择加权k子凸包分类

牟廉明^1,2()

1. 内江师范学院数学与信息科学学院, 四川 内江 641100
2. 数据恢复四川省重点实验室, 四川 内江 641100

收稿日期:2017-05-09出版日期:2018-10-01发布日期:2017-05-09

作者简介:牟廉明(1971—),男,重庆万州人,教授,硕士,主要研究方向为机器学习与数据挖掘. E-mail:mlianming@163.com
基金资助:国家自然科学基金资助项目(10872085);四川省科技厅科技计划重点资助项目(2017JY0199);四川教育厅自然科学重点项目基金资助项目(13ZA0008);2015内江市科技支撑计划资助项目

Weighted k sub-convex-hull classifier based on adaptive feature selection

Lianming MOU^1,2()

1. College of Mathematics and Information Science, Neijiang Normal University, Neijiang 641100, Sichuan, China
2. Data Recovery Key Laboratory of Sichuan Province, Neijiang 641100, Sichuan, China

Received:2017-05-09Online:2018-10-01Published:2017-05-09


Supported by:国家自然科学基金资助项目(10872085);四川省科技厅科技计划重点资助项目(2017JY0199);四川教育厅自然科学重点项目基金资助项目(13ZA0008);2015内江市科技支撑计划资助项目

摘要/Abstract

摘要： 针对问题维数的增加以及不同特征对分类的作用往往不一样,导致k子凸包分类性能降低等问题,设计自适应特征选择加权k子凸包分类方法。根据传统凸包距离存在的不足引入加权k子凸包距离,在测试样本的k邻域内引入距离度量学习技术和正则化技术进行自适应的特征选择,并将自适应特征选择无缝嵌入加权k子凸包优化模型中,这样就能为不同的测试样本在不同的类别中学习自适应特征空间,得到有效的加权k子凸包距离计算方法。试验结果表明,该方法不仅能够进行降维,而且具有明显的分类性能优势。


PDF全文下载地址:

http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=1715