混合互信息和粒子群算法的多目标特征选择方法_王金杰

Jx-WFST：包装特征选择工具箱 -------------------------------------------------- -------------------------------------------------- -------------------------------------------------- ------------- * 该工具箱提供了 40 多种包装器特征选择方法 * 提供了如何在基准数据集上应用这些方法的示例 * 这个 Jx-WFST 工具箱的详细信息可以在https://github.com/JingweiToo/Wrapper-Feature-Selection-Toolbox找到

保险管选择方法 Fuse Selection Guide

电连接器（以下简称连接器）也可称插头座，广泛应用于各种电气线路中，起着连接或断开电路的作用。提高连接器的可靠性首先是制造厂的责任。但由于连接器的种类繁多，应用范围广泛，因此，正确选择连接器也是提高连接器可靠性的一个重要方面。只有通过制造者和使用者双方共同努力，才能最大限度的发挥连接器应有的功能。

基于自标度数据的偏最小二乘（PLS）回归系数是一个重要变量的理论，云永欢等提出了一种新的变量选择策略&迭代变量子集优化（IVSO）。在这项工作中，每个子模型中产生的回归系数都被规范化以消除影响。在每一轮迭代中，将从子模型中得到的各变量的回归系数相加，以评估其重要性水平。采用加权二元矩阵抽样（WBMS）和序贯加法两步法，以竞争的方式逐步、温和地消除非信息变量，降低重要变量丢失的风险。此外，还考虑到，通过交叉验证产生的潜在变量的最佳数量将对回归系数产生很大的差异，有时这种差异甚至可以变化几个数量级。

特征选择方法综述，介绍了特征选择算法分类等

为解决DBSCAN聚类算法的Eps及MinPts参数选择问题，提出一种领域无关的参数动态选择方法。首先，基于k-均值算法对数据集进行初步聚类，聚类中采用最大最小距离方法确定初始聚类中心。其次，针对k-均值聚类结果，计算统计各聚类中样本间距离的分布情况，选择使得具有最大样本对数的距离值作为对应类的Eps值，并通过Eps获得MinPts值。最后，对DBSCAN算法进行改进，使其可根据当前核心点所属k-均值聚类对应的Eps对其运行值进行自适应调整。将上述思想运用于未知协议条件下的比特流聚类分析，结果表明，在无需用户指定Eps及MinPts的条件下，即可获得满意的聚类结果，提高了算法的适用性和准确率。

模式识别方法首先要解决的一个问题就是特征选择,目前许多方法考虑了有监督学习的特征选择问题,对无监督学习的特征选择问题却涉及得很少。依据特征对分类结果的影响和特征之间相关性分析两个方面提出了一种基于K-均值聚类方法的特征选择算法,用于无监督学习的特征选择问题。

 与传统多光谱遥感图像相比, 高光谱图像是在一定波段范围内窄波段成像的, 提供了丰富的光谱信息, 拓展了遥感技术的应用范围, 但同时存在数据含量大、波段间相关性高等问题, 在进行处理时需要对高光谱图像进行降维。通过分析现有高光谱波段选择方法, 本文提出了一种基于信息论准则的高光谱波段选择方法, 结合波段信息熵与波段间的相关性, 采用粒子群优化算法(PSO) 进行波段优选, 克服了采用单一使用信息量为适应度的片面性。最后使用AVIRIS 图像对提出的算法进行试验, 并利用支持向量机分类方法进行分类验证, 总体分类精度达到91.0%。

Lasso与其他变量选择方法的模拟比较，胡一睿，曲荣华，[目的]提出一种基于收缩估计的新的变量选择方法-Lasso，并比较其与其他变量选择方法的异同。[方法]首先给出了几种常见的变量选择方�