基于二进制PSO算法的特征选择及SVM参数同步优化详细描述了二进制PSO算法的特征选择

概述 基于高异质/均匀时间序列多传感器数据的实时异常检测的无监督特征选择和/或无监督深度卷积神经网络和lstm自动编码器的原型。 内置时间序列预测器的可解释AI原型。 无监督特征选择的直观表示如下所示。 无监督实时点异常检测的直观表示如下所示。 从当地的解释，全球理解与解释的AI树木-从这里动机- ，图片来源-https: MSDA 1.0.8 什么是MDSA？ MSDA是Python中的开源low-code多传感器数据分析库，旨在在时序多传感器数据分析和实验中将假设减少到洞察周期。 它使用户能够快速，高效地执行端到端的概念验证实验。 该模块通过捕获变化和趋势来建立多维时间序列中的事件，以建立旨在识别相关特征的关系，从而有助于从原始传感器信号中选择特征。 此外，为精确检测实时流数据中的异常，还设计了无监督的深度卷积神经网络以及基于lstm自动编码器的检测器，以在GPU / C

在高维数据如图像数据、基因数据、文本数据等的分析过程中，当样本存在冗余特征时会大大增加问题分析复杂难度，因此在数据分析前从中剔除冗余特征尤为重要。基于互信息（MI）的特征选择方法能够有效地降低数据维数，提高分析结果精度，但是，现有方法在特征选择过程中评判特征是否冗余的标准单一，无法合理排除冗余特征，最终影响分析结果。为此，提出一种基于最大联合条件互信息的特征选择方法（MCJMI）。MCJMI选择特征时考虑整体联合互信息与条件互信息两个因素，两个因素融合增强特征选择约束。在平均预测精度方面，MCJMI与信息增益（IG）、最小冗余度最大相关性（ mRMR）特征选择相比提升了6个百分点;与联合互信息（JMI）、最大化联合互信息（JMIM）相比提升了2个百分点;与LW向前搜索方法（ SFS-LW）相比提升了1个百分点。在稳定性方面，MCJMI稳定性达到了0.92，优于JMI、JMIM、SFS-LW方法。实验结果表明MCJMI能够有效地提高特征选择的准确率与稳定性。

介绍了遗传算法和模拟退火算法的特征选择方法

基于改进型特征选择算法的文本分类方法之计算机研究.docx

基于特征选择的结直肠癌预测模型之计算机研究.docx

基于词频与词位置信息的混合式文本特征选择方法软件工程分析.docx

基于自选算法的特征选择算法，损失函数和验证方法

特征选择库 (FSLib 2018) 是一个广泛适用的 MATLAB 特征选择库。 FSLib 提供的方法： [1] ILFS [2] 信息系统[3] ECFS [4] 先生[5] 救济f [6] mutinffs [7] fsv [8] 拉普拉斯[9] mcfs [10] 射频[11] L0 [12] 费舍尔[13] UDFS [14] 有限责任公司[15]个 如果您使用我们的工具箱（或其中包含的方法），请考虑引用： [1] Roffo, G.、Melzi, S.、Castellani, U. 和 Vinciarelli, A.，2017 年。无限潜在特征选择：基于概率潜在图的排名方法。 arXiv 预印本 arXiv:1707.07538。 [2] Roffo, G.、Melzi, S. 和 Cristani, M.，2015 年。无限特征选择。 在 IEEE 计算机视觉国际会议论文

论文研究一种基于类差分度的互信息特征选择方法.zip