集成特征选择的广义粗集方法与多分类器融合  

Generalized Rough Set Method for Ensemble Feature Selection and Multiple Classifier Fusion

作　　者：孙亮[1] 韩崇昭[2] 沈建京[1] 戴宁[3] 

机构地区：[1]信息工程大学理学院,郑州450001 [2]西安交通大学电子与信息工程学院综合自动化研究所,西安710049 [3]郑州大学数学系,郑州450052

出　　处：《自动化学报》2008年第3期298-304,共7页Acta Automatica Sinica

基　　金：国家自然科学基金(60574033);国家重点基础研究发展计划(973计划)(2006CB504605，2007CB311006)资助~~

摘　　要：为改善多分类器系统的分类性能,提出了基于广义粗集的集成特征选择方法.为在集成特征选择的同时获取各特征空间中的多类模式可分性信息,研究并提出了关于多决策表的相对优势决策约简,给出了关于集成特征选择的集成属性约简(Ensemble attribute reduction,EAR)方法,结合基于知识发现的KD-DWV算法进行了高光谱遥感图像植被分类比较实验.结果表明,EAR方法与合适的多分类器融合算法结合可有效提高多分类器融合的推广性.For improving the performance of multiple classifier system,a novel method of ensemble feature selection is proposed based on generalized rough set.In the paper,the relative dominance decision reduct（RDDR）with respect to multiple decision tables is presented to obtain the best feature subsets and interclass separability from different feature spaces.Then,the ensemble attribute reduction（EAR）method is proposed for ensemble feature selection.Using the KD- DWV algorithm based on knowledge discovery,the effectiveness of EAR was examined with the vegetation classification on a hyperspectral image.The result of the comparison experiment shows that EAR can be used to improve the generalization of multiple classifier system by combining appropriate multiple classifier fusion algorithm.

关 键 词：集成特征选择 多分类器融合 广义粗集 高光谱 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程]