具有递归特征消除功能的相关气体传感器数据的特征选择和分析

支持向量机递归特征消除(SVM-RFE)是一种功能强大的特征选择算法。 但是,当候选特征集包含高度相关的特征时,SVM-RFE的排序标准将出现偏差,这会阻碍SVM-RFE在气体传感器数据上的应用。 本文研究了线性和非线性SVM-RFE算法。 在研究了相关偏差之后,通过将相关偏差减少(CBR)策略纳入特征消除过程,提出了一种改进的算法SVM-RFE + CBR。 在合成数据集和两个呼吸分析数据集上进行实验,其中一个包含温度调制传感器。 从传感器响应中提取出大量的全面的瞬态特征。 具有特征选择的分类准确性证明了所提出的SVM-RFE + CBR的有效性。 它优于原始的SVM-RFE和其他典型算法。 进一步研究了集成方法以提高所提出方法的稳定性。 通过对特征的排名进行统计分析,可以获得一些知识,这些知识可以指导电子鼻和特征提取算法的未来设计。