Utilizzo della distanza Bhattacharyya per la selezione delle funzioni

Question

Ho una serie di 240 funzioni estratte utilizzando l'elaborazione delle immagini. L'obiettivo è classificare i casi di test in 7 classi diverse dopo l'allenamento. Per ogni classe ci sono circa 60 osservazioni (vale a dire, ho circa 60 vettori di caratteristiche per ogni classe con ciascun vettore avente 240 componenti).

Molti documenti di ricerca e libri utilizzano la ricerca sequenziale in avanti o la ricerca sequenziale all'indietro per la selezione delle migliori caratteristiche di un vettore di funzionalità. L'immagine seguente offre un algoritmo di ricerca in avanti sequenziale.

Qualsiasi algoritmo utilizza un criterio per discriminare le funzionalità. Un metodo comune è utilizzare la distanza di Bhattacharyya come criterio. La distanza di Bhattacharyya è una misura del tipo di divergenza tra le distribuzioni. In alcune ricerche e studi ho scoperto che data una matrice M1 per una classe A che comprende tutti i 60 vettori di caratteristiche di questa classe tale che ha n = 60 righe e m = 240 colonne (poiché ci sono un totale di 240 caratteristiche) e una matrice simile M2 per una classe BI può scoprire la distanza di Bhattacharyya tra loro e trovare la loro interdipendenza.

La mia domanda è come integrare i due. Come includere la distanza di Bhattacharyya come criterio per selezionare le migliori caratteristiche dell'algoritmo come descritto sopra.

Answer 1

Con l'aiuto di Arthur B. ho finalmente capito il concetto. Ecco la mia implementazione di esso. Anche se ho usato l'algoritmo Plus l Take away r (Sequential Forwards Backward Search), postò che è sostanzialmente lo stesso una volta che la ricerca all'indietro viene rimossa. L'implementazione di seguito è in MATLAB ma molto semplice da comprendere:

S=zeros(Size,1); %Initial the binary array feature list with all zeros implying no feature selected 
k=0; 
while k<n %Begin SFS. n is the number of features that need to be extracted 
t=k+l;  %l is the number of features to be added in each iteration 
while k<t 
    R=zeros(Size,1); %Size is the total number of features 
    for i=1:Size 
     if S(i)==0 %If the feature has not been selected. S is a binary array which puts a one against each feature that is selected 
      S_copy=S; 
      S_copy(i)=1; 
      R=OperateBhattacharrya(Matrices,S_copy,i,e,R); %The result of each iteration is stored in R 
     end 
    end 
    k=k+1; %increment k 
    [~,N]=max(R); %take the index of the maximum element in R as the best feature to be selected 
    S(N)=1;  % put the index of selected feature as 1 
end 
t=k-r; %r is the number of features to be removed after selecting l features. l>r 
while k>t %start Sequential Backward Search 
    R=zeros(Size,1); 
    for i=1:Size 
     if S(i)==1 
      S_copy=S; 
      S_copy(i)=0; 
      R=OperateBhattacharrya(Matrices,S_copy,i,1,R); 
     end 
    end 
    k=k-1; 
    [~,N]=max(R); 
    S(N)=0; 
end 
fprintf('Iteration :%d--%d\n',k,t); 
end 

Spero che questo aiuti chiunque abbia un problema simile.

Answer 2

Questo è il "valutare il ramo" parte dell'algoritmo, salvo il fatto che prima di utilizzare questa distanza Bhattacharyya su uno vettori tridimensionali, poi due vettori tridimensionali, ecc