基于多側(cè)面思想的特征提取方法的研究.pdf

1、特征提取是機器學習、模式識別和數(shù)據(jù)挖掘等領域中的一個關鍵問題，它是研究如何從高維特征數(shù)據(jù)中提取出那些對分類識別最有效的特征，從而實現(xiàn)對特征空間的降維，進而實現(xiàn)更好地識別、分類。隨著計算機硬件快速而持續(xù)的發(fā)展，特別是伴隨著互聯(lián)網(wǎng)和通信技術的發(fā)展，數(shù)據(jù)量正以極高的速度增長。近年來，一些高維特征領域的興起，比如基因檢測、文本檢索等，更使得數(shù)據(jù)呈現(xiàn)海量高維的態(tài)勢。面對海量高維的信息，當務之急是撥冗見真，對之進行有效的信息提取。因此廣泛應用于計算

2、機各項自動化處理的預處理操作一特征提取就顯得尤為重要。
　　 關于特征提取方面的研究已有不少較為成熟的方法。從形式上可以分為特征選擇和特征抽取，基于這兩種形式的特征提取算法，在性能的改進也是研究人員們所關注的熱點。目前已有的方法，都是以找到一組適合全體樣本的屬性子集為目標的?？紤]到樣本之間的差異性，多側(cè)面(Multi-side)特征提取方法把樣本集分成若干子集，對每個子集選取各自適合的特征子集的做法，是一種創(chuàng)新。
　　

3、本文所做的主要工作和創(chuàng)新點如下：
　　 1、本文首先對特征提取的相關特性進行研究。
　　 2、重點分析了一種主要的特征選擇技術粗糙集(RoughSets)屬性約簡，和一種特征抽取技術主成分分析PCA(Principal Component Analysis)。詳細分析二者的適用性和局限性以及它們的擴展模型。
　　 3、介紹基于多側(cè)面思想的特征提取方法，詳細分析了多側(cè)面方法的計算性能和特征提取過程，實例證實了多側(cè)面

4、方法的有效性。將多側(cè)面方法應用在UCI數(shù)據(jù)集上。實驗數(shù)據(jù)證明多側(cè)面特征提取方法的有效性。
　　 4、從多側(cè)面特征提取方法的側(cè)面大小和側(cè)面多少兩方面，對多側(cè)面方法進行性能分析。實驗結果表明，選取合適的側(cè)面大小和分側(cè)面次數(shù)對多側(cè)面特征提取方的有效執(zhí)行具有重要作用。通過對實驗結果的分析，給出了側(cè)面大小和側(cè)面多少選取的一般性規(guī)律。為多側(cè)面方法的有效運行提供了實驗數(shù)據(jù)支持。
　　 本文對多側(cè)面特征提取方法的研究做了一些工作，在今后