提出了一种基于遗传算法的大数据特征选择算法。该算法首先对各维度的特征进行评估，根据每个特征在同类最近邻和异类最近邻上的差异度调整其权重，基于特征权重引导遗传算法的搜索，以提升算法的搜索能力和获取特征的准确性；然后结合特征权重计算特征的适应度，以适应度作为评价指标，启动遗传算法获取最优的特征子集，并最终实现高效准确的大数据特征选择。通过实验分析发现，该算法能够有效减小分类特征数，并提升特征分类准确率。

汽车企业网络广告位选择方法研究.docx

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

当面临许多变量时，很自然的要进行变量的初次筛选，以便减缓后续的建模计算压力。本文提出了一种新的有效的变量选择方法，不依赖于模型的清晰指定，故而具有很大的灵活性与适应范围。

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

论文研究一种基于类差分度的互信息特征选择方法.zip

众所周知，没有足够的关于神经模糊分类器的 Matlab 程序。 一般使用ANFIS作为分类器。 ANFIS 是一个函数逼近程序。 但是，使用 ANFIS 进行分类是不利的。 例如，有3个类别，分别标记为1、2和3。ANFIS输出不是整数。 出于这个原因，ANFIS 输出被四舍五入，并确定了类标签。 但是，有时，ANFIS 可以给出 0 或 4 个类别标签。 不接受这些情况。 因此，ANFIS 不适用于分类问题。 在这项研究中，我准备了不同的自适应神经模糊分类器。 在下面给出的所有程序中，我使用 k-means 算法来初始化模糊规则。 出于这个原因，用户应该给出每个类的簇数。 此外，高斯隶属函数仅用于模糊集描述，因为其简单的导数表达式第一个是 scg_nfclass.m。 该分类器基于 Jang 的神经模糊分类器 [1]。 区别在于规则权重和参数优化。 规则权重根据规则样本的数量进行调整。

基于熵的供应链伙伴RBF神经网络选择方法.pdf

城市大脑规划建设与应用研究报告2020