针对传统基于机器学习的流量分类方法中特征选取环节的好坏会直接影响结果精度的问题，提出一种基于卷积神经网络的流量分类算法。首先，通过对数据进行归一化处理后映射成灰度图片作为卷积神经网络的输入数据，然后，基于LeNet-5深度卷积神经网络设计适于流量分类应用的卷积层特征面及全连接层的参数，构造能够实现流量的自主特征学习的最优分类模型，从而实现网络流量的分类。所提方法可以在避免复杂显式特征提取的同时达到提高分类精度的效果。通过公开数据集和实际数据集的系列仿真实验测试结果表明，与传统分类方法相比所提算法基于改进的CNN流量分类方法不仅提高了流量分类的精度，而且减少了分类所用的时间。

该工具箱提供了粒子群优化 (PSO) 方法 “Main”脚本说明了 PSO 如何使用基准数据集解决特征选择问题的示例。 ****************************************************** ****************************************************** **********************************

特征提取的基本概念； 常见特征提取方法 ；特征选择的基本概念

matlab开发-同时特征选择和权重解决方案多目标优化方法。一种增强分类器性能的特征选择和加权算法。

该程序用于特征选择，说明详细，思路简单易懂，方法较简单，适用于初学者。

特征选择是提高文本分类性能的一个重要手段。论文首先定义了两种特征贡献度：一个是特征对类间文档分散程度的贡献度,该贡献度越大越好;另一种是特征对类内文档分散程度的贡献度,该贡献度越小越好。然后把这两种特征贡献度有机地结合起来设计了一个新的特征选择方法,该方法能够对所选特征进行综合考虑,从而使获得的特征集具有较好的代表性。仿真实验表明:所提特征选择方法在一定程度上能够提高文本分类性能。

模式识别之特征选择与提取，本文的主要思想是探讨模式识别中的特征选择与提取的问题。

自己编的特征选择程序，分别包括用顺序前进法(SFS),顺序后退法(SBS),增l 减r 法(l–r)、SFFS法进行选择的程序feature_selection

用sklearn进行特征选择的一些知识整理, 主要包括如何对数据进行归一化，标准化， 对定性数据怎么描述，如何降维，如何进行特征选择，这些其实sklearn包中都封装好了相关的函数，使用的时候，可以直接来用，所以也是一份随时可以查阅的资料。

支持向量机是一种在统计学习理论的基础上发展而来的机器学习方法[1]，通过学习类别之间分界面附近的精确信息,可以自动寻找那些对分类有较好区分能力的支持向量,由此构造出的分类器可以使类与类之间的间隔最大化,因而有较好的泛化性能和较高的分类准确率。由于支持向量机具有小样本、非线性、高维数、避免局部最小点以及过学习现象等优点，所以被广泛运用于故障诊断、图像识别、回归预测等领域。