面向多视角证据信息融合的高效特征选择方法

摘要

特征选择能在复杂数据中选出有效特征，提高信息处理效率.但是现有的粒计算模型在选取信息粒时仅考虑距离度量，忽略了样本间的其他联系.为了解决这一问题，作者提出了一种基于两阶段多视角邻域证据熵的特征选择方法.首先，根据稀疏约束获得每个样本的自适应k值，并通过稀疏约束和距离度量进行融合形成多视角邻域信息粒，然后，对该信息粒中的样本进行检测，进一步删除弱相关样本，降低信息粒的不确定性.其次，将稀疏信息引入证据理论中，形成新的信任函数，并与邻域熵结合构造邻域证据熵，能有效地反映数据的确定性和不确定性信息.接着，利用邻域证据熵评估特征的重要性，以此实现特征的选择.最后，在9个公共数据集上进行实验验证，结果表明：本文提出的方法在粒度构建和分类精度方面都优于其他算法，能降低信息的不确定性.此外，本文方法也应用于精神分裂症的脑区选取，其结果能有效地提高对精神分裂症的预测能力.

关键词

粒计算 / 多视角 / 信息融合 / 邻域证据熵 / 特征选择