1、特征提取是模式識別中的一個重要過程,如今,也在數(shù)據挖掘領域也有著廣泛的應用。對于高維數(shù)據的數(shù)據挖掘,特征提取可以有效地對數(shù)據進行降維處理,從而降低算法的運算規(guī)模。相對于主成分分析,粗糙集等數(shù)據降維方法,特征提取更加系統(tǒng)化,也更加依賴與問題的具體應用領域,提出針對性的特征提取模型,得到的結果也更加具有參考價值。將支持向量機應用于特征提取中,可以結合兩者的長處,優(yōu)化特征提取的過程,是對特征提取方法的一種探索。
　　 本文針對最優(yōu)特征

2、子集選取的問題,進行了相關的探索研究。借鑒經典統(tǒng)計理論中的分位數(shù)的概念,將其引入特征選取模型,建立了分位數(shù)特征選取模型。另外,參考信息學中關于信息相對熵的概念和定義,建立了相對熵特征選取模型。在對特征候選集進行最優(yōu)特征子集選取的過程中,本文依照分位數(shù)特征選取模型和相對熵特征選取模型分別建立了樣本屬性的可分性判別函數(shù),并運用浮動序列前進算法找出不同屬性個數(shù)下的最佳特征候選子集。最后,本文又借助于支持向量機的方法,將包含不同屬性個數(shù)的特征候