电子工业出版社-网上书店

本书系统深入地论述用于模式识别的特征选择的理论与方法。在内容上注重系统、全面地论述特征选择理论和方法，并力求反映国内、外特征选择领域的最新发展趋势。全书重点论述各种有监督和无监督特征选择理论及方法。全面涵盖特征选择原理、特征选择方法分类、各类特征选择方法特点及特征选择算法性能评价方法等知识。论述各种特征评价方法。论述各种滤波式、封装式特征选择方法的原理、工作流程及算法步骤。论述特征选择集成方法、特征选择方法与样本选择及分类器集成的融合方法。还包括用于无监督模式识别的基于图谱理论的特征选择方法，用于优化深度学习网络的特征选择方法等的最新研究成果。本书提供用于大型数据集和高维数据分析的特征选择算法及生物信息学应用的最新资料，涵盖了水声目标识别、字符识别、基于脑功能磁共振成像和单核苷酸多态性等生物信息分析的疾病诊断的多种应用实例。本书可作为高等院校研究生和高年级本科生的教材外，也可供计算机信息处理、水声信号处理、生物信息处理等领域中从事人工智能、模式识别、机器学习、数据挖掘工作的广大科技人员和高校师生参考。

目    录
第1章  绪论	1
1.1  概述	1
1.2  本书章节安排	3
参考文献	4
第2章  特征选择原理	5
2.1  定义	5
2.1.1  特征相关性定义	5
2.1.2  特征选择定义	5
2.2  特征选择过程	6
2.2.1  特征子集的搜索	6
2.2.2  特征子集的评价	8
2.2.3  特征子集搜索的终止	9
2.2.4  选择结果确认	9
2.3  特征选择方法分类	9
2.3.1  滤波式（Filters）	9
2.3.2  封装式（Wrappers）	10
2.3.3  混合式（Hybrid Algorithm）	11
2.3.4  嵌入式（Embedded Solutions）	12
2.4  特征选择算法的评价	12
2.4.1  特征选择算法的两个重要参数	12
2.4.2  特征选择算法的稳定性评价	12
2.5  本章小结	14
参考文献	15
第3章  特征评价方法	17
3.1  概述	17
3.2  基于距离的评价准则	17
3.2.1  质心距离准则	17
3.2.2  类类间最小距离准则	17
3.2.3  类内间距离准则	17
3.2.4  混合距离准则	18
3.3  基于互信息理论的特征评价准则	18
3.3.1  特征选择问题中的信息熵	18
3.3.2  特征选择问题中的互信息	21
3.3.3  互信息特征评价准则	23
3.3.4  连续特征的离散化	24
3.4  基于支持向量机的特征评价准则	26
3.4.1  SVM的工作原理	26
3.4.2  SVM分类器分类性能估计及设计	33
3.4.3  基于SVM分类性能估计的特征评价准则	37
3.5  本章小结	38
参考文献	38
第4章  滤波式特征选择算法	40
4.1  顺序搜索特征选择算法	40
4.1.1  顺序向前特征选择算法	40
4.1.2  顺序向后特征选择算法	41
4.1.3  顺序双向特征选择算法	41
4.2  Relief特征选择算法	41
4.3  最近邻收缩规则	42
4.4  Simba算法	43
4.5  实验及结果	44
4.5.1  实验数据及实验设置	44
4.5.2  实验及讨论	44
4.6  本章小结	47
参考文献	47
第5章  基于人工免疫系统的特征选择算法	49
5.1  人工免疫系统的研究历史和现状	49
5.2  基于免疫机理的特征选择算法	50
5.2.1  算法原理	50
5.2.2  编码与初始种群的生成	50
5.2.3  适应度函数	50
5.2.4  免疫操作	51
5.3  基于免疫克隆机理的特征选择方法	52
5.3.1  算法原理	52
5.3.2  问题编码	53
5.3.3  亲合度函数	53
5.3.4  抗体克隆数	53
5.3.5  免疫克隆算子	53
5.4  遗传算法	55
5.4.1  遗传算法基本概念	55
5.4.2  遗传算法用于特征选择原理	55
5.5  实验与讨论	57
5.5.1  实验目的	57
5.5.2  实验数据	57
5.5.3  实验结果及讨论	57
5.6  本章小结	64
参考文献	65
第6章  特征选择、样本选择与分类器集成融合	67
6.1  概述	67
6.2  样本选择原理	67
6.2.1  样本选择的定义	67
6.2.2  样本选择的必要性	67
6.2.3  样本选择方法分类	68
6.2.4  加权最近邻收缩样本选择算法	69
6.2.5  加权免疫克隆样本选择算法	70
6.3  分类器集成	72
6.3.1  分类器集成	72
6.3.2  经典分类器集成方法	73
6.3.3  分类器选择性集成算法	76
6.4  样本选择与特征选择融合方法	79
6.4.1  WRNN-FSA融合算法	79
6.4.2  WICIS -FSA融合算法	80
6.4.3  实验与讨论	81
6.5  样本、特征与分类器集成的融合方法	85
6.5.1  样本选择、特征选择与分类器集成融合原理	85
6.5.2  MISFFS算法	86
6.5.3  WRNNIF-SVME算法	87
6.5.4  WICIF-SVME算法	87
6.5.5  实验与讨论	88
6.6  本章小结	96
参考文献	96
第7章  无监督特征选择算法	101
7.1  基于特征相关性的无监督特征选择	101
7.1.1  基于互信息的无监督特征选择	101
7.1.2  基于非参数互信息的无监督特征选择	105
7.1.3  基于特征相似性的无监督特征选择	107
7.2  基于谱图理论的无监督特征选择	110
7.2.1  基于谱的无监督特征选择	111
7.2.2  谱聚类无监督特征选择	114
7.3  本章小结	118
参考文献	118
第8章  特征选择算法集成	121
8.1  概述	121
8.2  特征选择算法集成	121
8.2.1  基本概念	121
8.2.2  个体特征选择器的生成方法	122
8.2.3  特征选择算法集成方法	124
8.3  基于特征排序表的特征选择算法集成方法	125
8.3.1  特征排序表集成概念	125
8.3.2  特征排序表集成方法	126
8.4  特征选择算法集成实验及讨论	127
8.4.1  实验数据介绍	127
8.4.2  基于Bagging的特征选择算法集成实验	127
8.4.3  IFSA算法的集成实验结果及讨论	128
8.4.4  顺序向前特征选择算法集成的实验结果及讨论	130
8.4.5  实验结论	131
8.5  特征选择算法集成的应用实例——基于fMRI图像及基因的疾病诊断	131
8.5.1  应用背景	131
8.5.2  利用特征选择与SVM集成融合fMRI和SNP数据进行疾病诊断	134
8.6  本章小结	142
参考文献	142
第9章  特征选择用于深度学习	146
9.1  深度置信网络基础模型——受限玻尔兹曼机	146
9.1.1  受限玻尔兹曼机模型	147
9.1.2  高斯-伯努利受限玻尔兹曼机	148
9.1.3  受限玻尔兹曼机的训练	148
9.2  深度置信网络及其特征学习	150
9.2.1  深度置信网络的提出	150
9.2.2  深度置信网络的训练	150
9.2.3  用于分类识别的深度置信网络	153
9.2.4  特征学习结果分析	153
9.3  基于互信息的深度特征优化选择	155
9.3.1  平均互信息无监督深度特征优化选择	156
9.3.2  非参数互信息无监督深度特征优化选择	161
9.3.3  信息增益有监督深度特征优化选择	165
9.3.4  联合互信息有监督深度特征优化选择	170
9.4  基于特征选择优化的DBN模型	173
9.4.1  基于特征选择优化的DBN结构	173
9.4.2  基于平均互信息特征选择优化的DBN模型	174
9.4.3  基于非参数互信息特征选择优化的DBN模型	176
9.5  本章小结	178
参考文献	178

前    言
“偃师所造倡者，趣步俯仰，颔其颐则歌合律，捧其手则舞应节，千变万化，惟意所适。” 据史料记载，西周时期，中国的能工巧匠偃师研制出了能歌善舞的伶人，这是中国最早记载的机器人。从古至今，如何使机器做到人可以做的智能工作，是人们一直追求的目标。时至今日，世界各国越来越重视对人工智能的科学研究。
人工智能、模式识别、机器学习是高度相互依赖的多学科领域。数据挖掘技术则融合了这些多学科技术，利用各个应用领域产出的数据来解决各个领域相关的问题。数据挖掘技术炼数成金，从海量数据中提炼宝贵的知识，其在应用领域的应用得到了巨大收益。特征选择是数据挖掘技术的重要组成部分，可以为人们从海量数据中挖掘特定信息、抽取知识提供技术途径。
本书全面阐述特征选择的原理和方法及最新研究成果，论述特征选择在水声目标识别、字符识别及脑功能磁共振成像和单核苷酸多态性生物信息分析与处理等领域的应用原理和方法。本书凝练了作者十余年在特征选择原理及应用的研究成果，获得了国家重大基础研究项目和国家重点实验室基金等项目的支持。本书共9章。第1章是绪论部分。第2章针对特征选择基础知识和原理做了详细系统的归纳和说明。第3章论述了特征选择的核心技术特征评价方法。第4章和第5章致力于滤波式和封装式特征选择算法的构建。第6章论述了特征选择、样本选择与分类器集成融合方法。第7章重点论述了无监督特征选择方法。第8章阐述了特征选择算法的集成。第9章论述了特征选择优化深度学习的方法。
在这里要特别感谢西北工业大学的孙进才教授，他对水声目标特征选择研究的贡献也体现在这本书中，感谢他对本书的大力协助和支持，感谢他多年来对本书作者的关心和爱护。
还要感谢美国新墨西哥大学及The Mind Research Network的Executive Science Officer Vince D. Calhoun教授，感谢他在脑功能磁共振成像和单核苷酸多态性生物信息分析与处理研究工作中的帮助。
本人指导的博士生和硕士生在资料整理、实验、计算等方面为完善本书内容做了大量工作，他们是：陈兆基、戴健、杜方键、袁帅、王芸、陈含露、甘安琴、姚晓辉、沈飞、韩振，在此表示诚挚谢意。
本书的出版获得“西北工业大学第十八期专著出版基金”的资助，在此表示感谢。
鉴于用于模式识别的特征选择是一项复杂的学科，涉及的知识面广，本书是作者十余年科研成果的凝练，虽竭尽全力，错误和缺点仍在所难免，诚恳读者指正，并对进一步修改和完善提出宝贵意见。

杨宏晖       
2016年6月

模式识别

杨宏晖，博士，西北工业大学航海学院环境工程系副教授，系教学主任，环境工程专业负责人，中船重工第760研究所国防科技重点实验室客座专家，电子学会会员。主持2013年度陕西普通本科高校省级“专业综合改革试点”项目；主持西北工业大学校教学改革项目“声环境监测课程建设的创新研究与实践”；承担西北工业大学校教学改革项目“声信号处理课程教学改革”；陕西省精品课程《噪声与振动控制》骨干教师之一；陕西省教学团队重要成员之一；多次国家重大基础研究项目；国家重点实验室基金项目；国防预研项目。

本书配套资源下载

对不起，暂无音视频资源！

模式识别之特征选择