模式识别中的特征选择与评价方法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 1 前言 | 第8-11页 |
| ·研究的背景 | 第8页 |
| ·研究的目的及意义 | 第8-9页 |
| ·国内外相关理论的发展现状 | 第9-10页 |
| ·本文的主要结构 | 第10-11页 |
| 2 模式识别中的特征选择 | 第11-27页 |
| ·类别可分性判据 | 第11-14页 |
| ·基于类内类间距离的可分性判据 | 第12页 |
| ·基于概率分布的可分性判据 | 第12-13页 |
| ·基于熵的可分性判据 | 第13-14页 |
| ·基于分类误差的可分性判据 | 第14页 |
| ·类别可分性判据的应用 | 第14页 |
| ·特征选择 | 第14-26页 |
| ·特征选择的方法综述 | 第15-17页 |
| ·几种典型的特征选择算法 | 第17-26页 |
| ·总结 | 第26-27页 |
| 3 模式识别中的特征选择的评价 | 第27-37页 |
| ·统计学习理论与支持向量机(SVM)算法简介 | 第27-32页 |
| ·VC维 | 第27页 |
| ·经验风险最小化与结构风险最小化原理 | 第27-28页 |
| ·最优分类面 | 第28-29页 |
| ·广义最优分类面 | 第29-30页 |
| ·支持向量机(SVM)算法简介 | 第30-32页 |
| ·特征选择的主要评价因素分析 | 第32-33页 |
| ·特征之间的相关性 | 第32页 |
| ·维数 | 第32-33页 |
| ·误分率 | 第33页 |
| ·类间边界距离 | 第33页 |
| ·特征选择的评价准则 | 第33-34页 |
| ·基于支持向量机特征选择评价应用于特征选择 | 第34页 |
| ·特征选择评价简单应用举例 | 第34-36页 |
| ·总结 | 第36-37页 |
| 4 特征选择评价应用于特征选择过程 | 第37-43页 |
| ·基于特征选择评价进行特征选择的可行性 | 第37页 |
| ·基于特征评价指标的遗传算法特征选择改进算法 | 第37-42页 |
| ·遗传算法的产生与发展 | 第37-38页 |
| ·遗传算法的基本思想 | 第38页 |
| ·遗传算法的特点 | 第38-39页 |
| ·遗传算法的基本操作 | 第39页 |
| ·遗传算法的主要结构 | 第39页 |
| ·编码设计 | 第39页 |
| ·基于特征评价指标的遗传算法的适应度函数设计 | 第39-42页 |
| ·改进方法的基本步骤 | 第42页 |
| ·总结 | 第42-43页 |
| 5 算法的matlab实现及其应用实例 | 第43-53页 |
| ·遗传算法的Matlab仿真 | 第43-46页 |
| ·编码与初始化 | 第46页 |
| ·交叉 | 第46-47页 |
| ·变异 | 第47页 |
| ·解码过程 | 第47-48页 |
| ·适应度函数设计 | 第48-50页 |
| ·选择 | 第50页 |
| ·应用实例 | 第50-52页 |
| ·适应度函数权重参数的确定 | 第51-52页 |
| ·实例运行的结果 | 第52页 |
| ·总结 | 第52-53页 |
| 6 总结和展望 | 第53-55页 |
| ·总结 | 第53-54页 |
| ·展望 | 第54-55页 |
| 7 参考文献 | 第55-60页 |
| 8 攻读硕士学位期间发表论文情况 | 第60-61页 |
| 9 致谢 | 第61-62页 |
| 附录 | 第62-65页 |
