基于能量的集成特征选择方法（2012年）

特征选择是模式识别和机器学习领域中不可或缺的技术，从一组特征中挑选出最有效的以降低特征空间维度。在当前海量高维数据的背景下尤为重要，通过选择合适的特征选择算法，可以去除不相关和冗余特征，提升学习算法的泛化性能和运行效率。特征选择广泛应用于文本分类、生物信息学和信息检索等领域。

特征选择作为模式识别、机器学习和数据挖掘的关键预处理步骤，其重要性不言而喻。邻域作为分类学习中的核心概念，能够有效区分决策不同的样本。我们提出一种新的邻域辨别力指数，用于量化邻域关系中的差异信息，进而反映特征子集的区分能力。区别于传统的基于邻域相似度的方法，该指数直接利用邻域关系的基数进行计算。为了全面捕捉多个特征子集组合带来的区分信息变化，我们进一步扩展了辨别力指数，引入了联合辨别力指数、条件辨别力指数以及互信息辨别力指数。这些扩展指标与香农熵及其变体具有相似的性质。针对实值数据的分析，我们在辨别力指数中引入了一个名为“邻域半径”的参数。基于提出的辨别力指数，我们定义了候选特征的显著性度量，并设计了一种贪婪特征选择算法。实验结果表明，基于辨别力指数的算法相较于其他经典算法，取得了更优的性能。

这本最新的CRC数据挖掘系列丛书介绍了特征选择的前沿思想和算法。

在数据挖掘领域，聚类是处理数据初始阶段的重要方法。在动态系统中，随着新数据的不断增加，重新聚类既费时又浪费资源。首先介绍了聚类的基本概念和分类，然后提出了一种基于特征向量的增量聚类算法。该算法仅针对新增数据进行聚类，从而节省了大量资源和时间。通过实验比较了该算法与传统重新聚类方法在动态系统中处理新增数据的效果，验证了其可行性。

利用数据挖掘技术，结合人体运动捕捉数据，探讨了基于能量模型的新算法。与传统几何位置相比，人体能量模型能够有效降低动作数据的复杂度，并准确反映原始动作特征。研究还通过相关系数分析不同关节之间的协同性，提取出低维度的动作索引。实验结果表明，该索引有效捕捉了动作的关键特征。结合支持向量机，该方法能够有效分类输入动作，为动作识别领域带来新的可能性。

提出了两种新颖的特征选择算法。第一个是过滤方法，而第二个是包装方法。两种算法都依赖于多目标优化中的拥挤距离来衡量特征的重要性，对特征进行有效排序。较少拥挤的特征在目标属性（如类标签）上表现出更大的影响力，从而优化了特征选择的精度。实验结果验证了所提算法在不同数据集上的有效性和鲁棒性，展现了其在复杂场景中的适应能力。

针对112Gb/s PM-(D)QPSK系统，特别是具有2.5GHz最大频偏的典型激光器，存在 |△f-f_e|=π/2 或 |f-f_e|=Rs/4 的情况。此时，若能判断频偏估值是否错误，则可利用此规律直接获得正确频偏估值，并将其作为G-PADE的初始设置值。 判断频偏估值正确与否可通过BER轻松实现，因为正确和错误的估值对应着截然不同的BER：一个接近0.5，另一个略大于0。因此，无论初始真实频偏为何值，G-PADE的初始化问题都能得到解决。方法如下： G-PADE开始工作前，利用四次方法对一段符号进行频偏估计，同时监测该段符号的BER。 通过BER判断估值是否收敛正确。 若正确，则将该段符号的频偏估值作为G-PADE的初始设置频偏值；若错误，则根据 |f-f_e|=Rs/4 计算出正确频偏值，并将其作为G-PADE的初始设置频偏值。 仿真结果表明，数据块长度为1000时，四次方频偏估计算法在不同频偏下的最大可能初始化误差基本相同，平均为0.135GHz。负频偏情况下的结果也基本一致。这表明，当四次方频偏估计算法的数据块长度确定时，无论频偏多大，其用于G-PADE初始化的最大可能误差基本保持不变。数据块长度为1000时，最大误差小于0.2GHz，满足要求。因此，前述方法可行地用于G-PADE的初始化。

表4.7 总结了在高维数据挖掘中特征选择方法vV算法中问变量的取值范围。这些变量的理论和实测范围包括定点设计属性输入符号的实部和虚部，以及幅度。具体包括(-2, +2)和(-16, +16)的幅度。此外，还涵盖了一组符号四次方后的求和结果，以及该结果的幅度(-128, +128)。各组符号的相位调整在(+1, +4)之间，确保输出符号的相位偏估计结果精确有效。

这篇论文探讨了一种针对高维数据的特征选择算法，该算法利用快速聚类技术提高效率，为数据挖掘领域的学者和实践者提供了有价值的参考。