基于类心和特征加权的特征选择
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 封装方法（wrapper） | 第10-11页 |
| 1.2.2 过滤方法（filter） | 第11页 |
| 1.2.3 嵌入式方法（embedded） | 第11-12页 |
| 1.3 研究新的特征选择方法所面临的挑战 | 第12-13页 |
| 1.3.1 理论挑战 | 第12页 |
| 1.3.2 实证挑战 | 第12-13页 |
| 1.4 本文的研究内容及论文结构 | 第13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 特征选择基本过程和评测标准 | 第14-26页 |
| 2.1 特征选择概述 | 第14-16页 |
| 2.1.1 特征选择定义 | 第14-15页 |
| 2.1.2 特征选择与特征提取的异同 | 第15-16页 |
| 2.2 特征选择过程 | 第16页 |
| 2.3 搜索策略 | 第16-21页 |
| 2.3.1 全局最优搜索 | 第17页 |
| 2.3.2 启发式搜索 | 第17-19页 |
| 2.3.3 随机搜索 | 第19-21页 |
| 2.4 特征相关分析 | 第21-22页 |
| 2.5 特征评价标准 | 第22-25页 |
| 2.5.1 距离度量标准 | 第22-23页 |
| 2.5.2 概率距离度量标准 | 第23-24页 |
| 2.5.3 信息熵度量标准 | 第24页 |
| 2.5.4 分类误差度量标准 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 现有特征选择算法综述 | 第26-31页 |
| 3.1 过滤方法 | 第26-28页 |
| 3.1.1 特征加权算法 | 第27-28页 |
| 3.1.2 子集搜索算法 | 第28页 |
| 3.2 封装方法 | 第28-30页 |
| 3.3 嵌入式方法 | 第30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 常用的分类器 | 第31-40页 |
| 4.1 最近邻分类器 | 第31-32页 |
| 4.2 贝叶斯分类器 | 第32-33页 |
| 4.3 欧式距离分类器 | 第33页 |
| 4.4 神经网络分类器 | 第33-34页 |
| 4.5 支持向量机 | 第34-39页 |
| 4.5.1 支持向量机线性分类器原理 | 第34-37页 |
| 4.5.2 支持向量机中的核函数 | 第37-39页 |
| 4.6 本章小结 | 第39-40页 |
| 第五章 基于类心和特征加权的特征选择 | 第40-55页 |
| 5.1 算法的理论分析 | 第40-46页 |
| 5.1.1 边界计算方法 | 第40-41页 |
| 5.1.2 期望评估边界 | 第41-42页 |
| 5.1.3 目标函数的优化 | 第42-44页 |
| 5.1.4 收敛性分析 | 第44页 |
| 5.1.5 算法的编程思想 | 第44-46页 |
| 5.2 算法复杂度 | 第46页 |
| 5.3 仿真实验 | 第46-54页 |
| 5.3.1 四种UCI数据库总结 | 第47-48页 |
| 5.3.2 σ对实验结果的影响 | 第48页 |
| 5.3.3 λ对实验结果的影响 | 第48-49页 |
| 5.3.4 不相干特征数对实验结果的影响 | 第49-52页 |
| 5.3.5 本文算法与Sun的算法分类准确度比较 | 第52-53页 |
| 5.3.6 本文算法与Sun的算法测试时间比较 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结和展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 发表论文和参加科研情况说明 | 第62-63页 |
| 致谢 | 第63-64页 |
