摘要：针对relieff算法在迭代过程中受样本选取随机性、随机样本可能带有干扰及类别先验概率等因素影响较大的问题,提出了一种无需类别先验概率,且可以在所有类别的样本核心圈进行迭代的改进relieff算法。在标准数据集上的试验结果表明,改进relieff算法克服了传统relieff算法容易受迭代次数、最近邻样本数影响的问题,且算法的特征选择结果稳定,在选取特征维数相同的情况下,改进relieff算法选取特征的分类效果较传统relieff算法也有所提高。最后,将改进relieff算法运用于水泥工艺故障诊断,运用该算法提取故障特征,以支持向量机作为分类器,实现了故障的准确识别。

摘要：针对模式识别领域中的文字识别问题,为达到较高的识别效率,去除低冗余,选择并提取高效特征,提出以印刷体哈萨克斯拉夫字符、符号及数字为研究目标的基于改进的relieff特征选择算法,用于哈萨克斯拉夫文字的识别;对传统的relieff算法的特征权重做进一步改进,提出Re-relieff算法,对文字识别的特征选择及特征提取部分进行优化。将基于改进的relieff特征选择算法用于哈萨克斯拉夫文识别问题,将该算法的识别结果与传统relieff特征选择算法进行比较,比较结果表明,该算法在哈萨克斯拉夫文文字识别过程中效果良好,具有运行速度快与运行时间降低等特点。

摘要：传统梅尔频率倒谱系数(MFCC)和线性预测倒谱系数(LPCC)特征的汽车鸣笛声识别方法在识别模型中分辨力不足,针对此问题,提出了一种基于变分模态分解(VMD)和relieff融合特征的汽车鸣笛声识别方法。该方法将变分模态分解所得的前四个模态分量进行信号重构,提取重构信号的MFCC、LPCC、声谱图特征参数。通过relieff算法融合MFCC和LPCC特征,并输入识别模型,实现汽车鸣笛声的准确识别。结果表明,该方法在BP模型中的识别率、识别速度均优于其他特征在BP、支持向量机、卷积神经网络识别模型中的识别效果,在汽车鸣笛声识别领域具有一定应用价值。

摘要：为解决启发式算法在多标签特征选择中可以达到较好效果但效率很低的问题,提出一种基于启发式算法的混合特征选择算法。使用relieff方法去除不相关特征,采用MFO算法进行特征子集寻优,提高分类器性能的同时达到较高的效率。将所提方法应用于多个典型多标签数据集分类问题并与现有启发式特征选择方法进行对比,实验结果表明了所提算法的有效性。

摘要：油茶籽油商业价值高,有必要开发快速准确的油茶籽油掺伪鉴别方法。本实验研究低场核磁共振(low-field nuclear magnetic resonance,LF-NMR)弛豫特性结合支持向量机(support vector machine,SVM)鉴别油茶籽油掺伪的可行性。在比较了油茶籽油、3种其他种类的正常/氧化的食用油及多种二元掺兑油样的LF-NMR弛豫特性的基础上进行主成分分析,设计了具有二叉树结构的SVM多分类器,采用relieff算法进行特征筛选,建立并验证了油茶籽油掺伪的SVM鉴别模型。研究表明,油脂种类、氧化程度及掺兑比例均会影响油样的LF-NMR弛豫特性。当特征数为9时,SVM多分类模型性能最佳,准确率可达90.77%,对油茶籽油、掺兑类型及比例的平均召回率为90.87%、精确率为90.83%、F1分数为0.90。这表明基于LF-NMR弛豫特性的SVM模型可用于油茶籽油的掺伪鉴别。

摘要：针对面向对象的PolSAR影像分类中"维数灾难"的问题,该文提出过滤式与封装式联合的特征选择方法。该方法利用relieff算法和增益率评估模型作为特征过滤器剔除与分类相关性小的特征,采用CART算法进一步对剩余特征进行筛选,获得最优特征子集进行分类,并和Wishart监督分类、不进行relieff算法与增益率评估模型特征提取的分类方法进行比较。以GF-3影像数据为例进行实验,结果表明,本方法在时间成本和分类精度上较其他两种方法都有显著提高,验证了该算法在面向对象土地利用分类中的可行性。

摘要：为检测软件结构中的代码异味,提出在属性选择过程中将relieff算法和互信息结合,筛选出相关度大而冗余度小的条件属性集。传统C4.5算法在构造决策树时,只考虑条件属性和目标属性的相关度,忽略条件属性间的相关度,基于这个问题提出在C4.5算法中加入对称不确定性(SU),利用SU计算条件属性间的相关度,更新信息增益率的计算,提高代码异味检测精确度。对比实验结果表明,该算法能够提高代码异味的检测精确度,有利延长软件生存周期。

摘要：为降低特征维数并提高分类准确率,提出一种基于relieff算法、互信息和类可分性法的多评价准则融合特征选择方法。利用序关系分析法确定3种评价准则的重要性权值系数,按照多评价准则融合模型获得特征重要性排序,通过支持向量机分类器实现最终特征选择。通过3个UCI标准数据集进行仿真实验,实验结果表明,和单准则的特征选择方法相比,该方法在保证良好鲁棒性的基础上,能够有效降低特征维数,具有更高的分类准确率。

摘要：为解决核主成分分析(KPCA)和支持向量机(SVM)融合算法分类精度差的问题,提出基于差空间融合特征选择的SVM算法。利用主成分分析(PCA)处理原始数据,得到差空间数据;分别对原数据和差空间数据进行KPCA,得到融合特征;用relieff算法得到对应特征的权重,根据初步分类评价指标选择最优的特征组合;对得到的数据利用SVM进行分类。该算法在UCI数据集上的测试结果表明,它能够有效提高分类精度,在高维数据中减小分类过程的计算复杂度。

摘要：针对高维度小样本数据在特征选择时出现的维数灾难和过拟合的问题,提出一种混合Filter模式与Wrapper模式的特征选择方法(ReFS-AGA)。该方法结合relieff算法和归一化互信息,评估特征的相关性并快速筛选重要特征;采用改进的自适应遗传算法,引入最优策略平衡特征多样性,同时以最小化特征数和最大化分类精度为目标,选择特征数作为调节项设计新的评价函数,在迭代进化过程中高效获得最优特征子集。在基因表达数据上利用不同分类算法对简化后的特征子集分类识别,实验结果表明,该方法有效消除了不相关特征,提高了特征选择的效率,与relieff算法和二阶段特征选择算法mRMR-GA相比,在取得最小特征子集维度的同时平均分类准确率分别提高了11.18个百分点和4.04个百分点。