专利交易市场

本发明公开了一种基于局部尺度参数、熵和余弦相似性的谱特征选择方法，采用高斯核函数作为相似性度量方法，定义的基于特征局部标准差的特征局部尺度参数，作为核函数参数，克服计算特征亲和矩阵时的统一尺度参数不能反映数据分布信息，局部尺度参数受到离群点影响的问题；分别采用熵、弦相似性排序衡量特征重要度，可以快速地选择到一个合适特征子集；为肿瘤等疾病的数据分析提供技术支持，具有重要的生物医学意义。

本发明公开了一种基于特征融合注意力模块和特征选择的手势图像分类方法。包括如下步骤：1对原始手势图像进行预处理；2将手势图像输入VGG16和ResNet50中，分别获得高阶和低阶特征张量；3将高阶与低阶特征张量同时输入特征融合注意力模块，特征注意力模块包括低阶特征增强模块、高阶特征增强模块和高低阶特征同步增强模块；4将融合后得到的特征张量输入SK‑Net模块中，得到特征选择后的特征张量；5将特征选择后的特征张量输入分类器中进行分类，得到手势图像的分类结果。本发明使用特征融合注意力模块分别对高阶特征和低阶特征进行增强与融合，得到精确描述手势的特征张量，最终通过特征选择实现对手势图像的精确识别。

本发明公开了一种基于两阶段混合特征选择的高维数据分类方法，包括步骤如下：获得处理后的数据集；基于最大信息系数MIC的方法对所述处理后的数据集进行预处理，获得MIC矩阵；得到所选特征子集；用改进PSO算法对所述所选特征子集进行精细搜索，得到最优特征子集；根据最优特征子集更新步骤S1获得的所述处理后的数据集中的特征，并依据更新后的数据集建立十折交叉验证的训练集和测试集，依次输入K＝1的KNN分类器，得到对应的十个最优特征子集的分类准确率，然后将十个最优特征子集的分类准确率的平均值作为所述最优特征子集的准确率。

本发明公开了一种基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，包括：(1)对空气数据集进行预处理，得到处理后的空气数据集；(2)采用Kohonen网络聚类得到第k类数据集；(3)采用ReliefF特征选择算法处理数据集，得到第k类数据集特征重要程度的排名；(4)通过特征重要程度排名，得到第k类经过特征选择后的数据集；(5)通过NAR神经网络得到第k类NAR神经网络训练模型；(6)根据数据x所在类的特征排名选取特征，得到预测结果。本发明利用Kohonen网络聚类对空气数据进行聚类，获得在相同时间段内变化规律相似的类别，发掘更为准确的预测模型，提高预测精度；利用ReliefF特征选择算法获得特征排名，去除对预测帮助较小的特征，从而提高运行效率。

本发明公开了一种用于模式分类的特征选择方法，通过采用模糊Fisher准则为目标函数求得无监督最佳鉴别矢量的基础上，根据该矢量中每一维的值求得每个特征重要性权值，按照该权值大小进行特征排序，通过给定阈值，选取特征子集，进而实现了特征降维。本发明的方法的实施不仅无需事先提供样本类别信息，而且有效解决了无监督模式下特征选择缺乏分离性度量的问题，在UCI数据集及故障诊断实验中体现了良好的降维性能，具有很高的实用价值。

本发明涉及一种基于Fisher分和近似马尔科夫毯的移动用户出境特征选择方法，属于数据挖掘领域。首先利用Fisher准则保留分类能力强的特征，剔除不相关特征和弱相关特征。其次融合最大信息系数MIC和对称不确定性SU两种度量方法，设计相关性度量标准MSCC，利用MSCC标准进一步剔除不相关特征。最后结合MSCC度量标准，利用近似Markov-Blanket判断条件剔除Fisher候选特征集中的冗余特征，最终获得维度规模较小的最优特征子集。本发明能够有效的对移动用户的出境特征进行选择，提高模型的分类准确率。