科研之友
微信
新浪微博
Facebook
分享链接
摘要
现有多标记Fisher score模型中边缘样本影响算法分类效果，借鉴邻域直觉模糊熵处理不确定信息时具有更强的表达能力与分辨能力的优势，由此提出了一种基于中心偏移的Fisher score与邻域直觉模糊熵的多标记特征选择方法。首先，根据标记将多标记论域划分为多个样本集，计算样本集的特征均值作为标记下样本的原始中心点，以最远样本的距离乘以距离系数，去除边缘样本集，定义了新的有效样本集，计算中心偏移处理后的标记下每个特征的得分以及标记集的特征得分，进而建立了基于中心偏移的多标记Fisher score模型，预处理多标记数据。然后，引入多标记分类间隔，作为自适应模糊邻域半径参数，定义了模糊邻域相似关系和模糊邻域粒，由此构造了多标记模糊邻域粗糙集的上、下近似集；在此基础上提出了多标记邻域粗糙直觉隶属度函数和非隶属度函数，定义了多标记邻域直觉模糊熵。最后，给出了特征的外部和内部重要度的计算公式，设计了基于邻域直觉模糊熵的多标记特征选择算法，筛选最优特征子集。在多标记K近邻分类器下，9个多标记数据集上的实验结果表明，所提算法选择的最优子集具有良好的分类性能。
