- 博客(8)
- 资源 (2)
- 收藏
- 关注
原创 特征选择
一、ReliefRelief算法最早由Kira提出,最初局限于两类数据的分类问题。Relief算法是一种特征权重算法(Feature weighting algorithms),根据各个特征和类别的相关性赋予特征不同的权重,权重小于某个阈值的特征将被移除。Relief算法中特征和类别的相关性是基于特征对近距离样本的区分能力。算法从训练集D中随机选择一个样本R,然后从和R同类的样本中寻找最近邻样本H,称为Near Hit,从和R不同类的样本中寻找最近邻样本M,称为NearMiss,然后根据以下规则更新每个特
2021-05-15 10:18:32 404
原创 脑电信号处理学习笔记(三)——pymrmr
pymrmr模块的安装和使用 \: \: \: \:github链接一、模块介绍在Python 3使用mRMR特征选择算法,pymrmr提供了方法 \: \:pymrmr.mRMR()pymrmr.mRMR(df, ‘MIQ’, K)返回排序后的列名(list)Parameters:df:数据文件(pandas.DataFrame)第一列要是标签其他列要是特征量列的名称要是字符串内部选择方法(‘MIQ’或‘MID’)(str)MIQ:互信息熵MID:互信息差K:要选取的特征
2021-04-01 20:49:12 2792 6
原创 脑电信号特征提取——排列熵
三、排列熵\quad优点:抗噪能力强、计算量小、所需数据长度较短1、算法步骤设信号时间序列为{X(i),i=1,2,…,n},进行相空间重构后,得到如下矩阵:[x(1)x(1+τ)⋯x(1+(m−1)τ)x(2)x(2+τ)⋯x(2+(m−1)τ)⋮⋮⋱⋮x(k)x(k+τ)⋯x(k+(m−1)τ)]\left[ \begin{matrix} x(1) & x(1+\tau) & \cdots & x(1+(m-1)\tau)\\ x(2) & x(2+\tau)
2020-11-25 23:02:23 3776 2
原创 脑电信号特征提取——样本熵
二、样本熵是对近似熵的一种改进算法,是一种不同于近似熵而且不进行自身匹配的统计量方法近似熵有两个缺点:近似熵在与自身匹配时具有偏差性;近似熵结果的一致性较差样本熵具有如下特点:具有比时域统计(均值、方差等)更好的估计效果;对原始数据处理时无需进行粗粒化提取;可用于由确定信号与随机信号组成的混合信号。1、算法步骤设原始信号为{x(i),i=1,2,…,N},按照下面公式重构出 m 维向量,用 y(i)表示,{ y(i),i=1,2,…,M,M=N-m+1},即:y
2020-11-25 12:13:52 7607 2
翻译 脑电信号处理学习笔记(二)——pyeeg
pyeeg模块使用1、bin_powerpyeeg.bin_power(X, Band, Fs)根据时间序列X的FFT结果计算指定频带的每个频谱箱的频带能量Parameters:Band :list频带箱的边界频率(赫兹)。它们可以是不等的箱子,例如[0.5,4,7,12,30],分别是delta, theta, alpha和beta。每个频带成员是一个物理频率,不能超过奈奎斯特频率,即采样频率的一半。X :list一维真实时间序列Fs :integer采样频率
2020-11-25 11:57:17 3644 10
原创 脑电信号特征提取——近似熵
近似熵 \:1、算法步骤设原始信号为{x(i),i=1,2,…,N},按照下面公式重构出 m 维向量,用 y(i)表示,{ y(i),i=1,2,…,M,M=N-m+1},即:y(i)=x(i),x(i+1),x(i+2),,x(i+m−1)y(i)={x(i),x(i+1),x(i+2), ,x(i+m-1)}y(i)=x(i),x(i+1),x(i+2),,x(i+m−1)其中,m 是嵌入维数,是参与比较序列的长度,即窗口长度。计算 y(i)与 y(j)任意分量之间的欧式距离 d{y(i)
2020-11-25 11:13:38 4743 4
翻译 脑电信号处理学习笔记(一)——pywt
pywt模块使用1、familiespywt.families(short=True)返回软件内含的小波族。Parameters:short:是否简写Return:[list][‘haar’, ‘db’, ‘sym’, ‘coif’, ‘bior’, ‘rbio’, ‘dmey’, ‘gaus’, ‘mexh’, ‘morl’, ‘cgau’, ‘shan’, ‘fbsp’, ‘cmor’]2、wavelistpywt.wavelist(family=None, kind
2020-11-19 12:08:35 13120 3
基于DEAP数据集的特征提取———近似熵、排列熵、样本熵
2020-11-26
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人