楊宏暉、申昇編著的《模式識別之特征選擇》繫
統深入地論述用於模式識別的特征選擇的理論與方法
。在內容上注重繫統、全面地論述特征選擇理論和方
法，並力求反映國內、外特征選擇領域的最新發展趨
勢。
全書重點論述各種有監督和無監督特征選擇理論
及方法：全面涵蓋特征選擇原理、特征選擇方法分類
、各類特征選擇方法特點及特征選擇算法性能評價方
法等知識：論述各種特征評價方法；論述各種濾波式
、封裝式特征選擇方法的原理、工作流程及算法步驟
；論述特征選擇集成方法、特征選擇方法與樣本選擇
及分類器集成的融合方法；還包括用於無監督模式識
別的基於圖譜理論的特征選擇方法，用於優化深度學
習網絡的特征選擇方法等的最新研究成果。
本書提供用於大型數據集和高維數據分析的特征
選擇算法及生物信息學應用的最新資料，涵蓋了水聲
目標識別、字符識別、基於腦功能磁共振成像和單核
苷酸多態性等生物信息分析的疾病診斷的多種應用實
例。
本書可作為高等院校研究生和高年級本科生的教
材外，也可供計算機信息處理、水聲信號處理、生物
信息處理等領域中從事人工智能、模式識別、機器學
習、數據挖掘工作的廣大科技人員和高校師生參考。

第1章 緒論
1.1 概述
1.2 本書章節安排
參考文獻
第2章 特征選擇原理
2.1 定義
2.1.1 特征相關性定義
2.1.2 特征選擇定義
2.2 特征選擇過程
2.2.1 特征子集的搜索
2.2.2 特征子集的評價
2.2.3 特征子集搜索的終止
2.2.4 選擇結果確認
2.3 特征選擇方法分類
2.3.1 濾波式（Filters）
2.3.2 封裝式（Wrappers）
2.3.3 混合式（Hybrid Algorithm）
2.3.4 嵌入式（Embedded Solutions）
2.4 特征選擇算法的評價
2.4.1 特征選擇算法的兩個重要參數
2.4.2 特征選擇算法的穩定性評價
2.5 本章小結
參考文獻
第3章 特征評價方法
3.1 概述
3.2 基於距離的評價準則
3.2.1 質心距離準則
3.2.2 類類間*小距離準則
3.2.3 類內間距離準則
3.2.4 混合距離準則
3.3 基於互信息理論的特征評價準則
3.3.1 特征選擇問題中的信息熵
3.3.2 特征選擇問題中的互信息
3.3.3 互信息特征評價準則
3.3.4 連續特征的離散化
3.4 基於支持向量機的特征評價準則
3.4.1 SVM的工作原理
3.4.2 SVM分類器分類性能估計及設計
3.4.3 基於SVM分類性能估計的特征評價準則
3.5 本章小結
參考文獻
第4章 濾波式特征選擇算法
4.1 順序搜索特征選擇算法
4.1.1 順序向前特征選擇算法
4.1.2 順序向後特征選擇算法
4.1.3 順序雙向特征選擇算法
4.2 Relief特征選擇算法
4.3 *近鄰收縮規則
4.4 Simba算法
4.5 實驗及結果
4.5.1 實驗數據及實驗設置
4.5.2 實驗及討論
4.6 本章小結
參考文獻
第5章 基於人工免疫繫統的特征選擇算法
5.1 人工免疫繫統的研究歷史和現狀
5.2 基於免疫機理的特征選擇算法
5.2.1 算法原理
5.2.2 編碼與初始種群的生成
5.2.3 適應度函數
5.2.4 免疫操作
5.3 基於免疫克隆機理的特征選擇方法
5.3.1 算法原理
5.3.2 問題編碼
5.3.3 親合度函數
5.3.4 抗體克隆數
5.3.5 免疫克隆算子
5.4 遺傳算法
5.4.1 遺傳算法基本概念
5.4.2 遺傳算法用於特征選擇原理
5.5 實驗與討論
5.5.1 實驗目的
5.5.2 實驗數據
5.5.3 實驗結果及討論
5.6 本章小結
參考文獻
第6章 特征選擇、樣本選擇與分類器集成融合
6.1 概述
6.2 樣本選擇原理
6.2.1 樣本選擇的定義
6.2.2 樣本選擇的必要性
6.2.3 樣本選擇方法分類
6.2.4 加權*近鄰收縮樣本選擇算法
6.2.5 加權免疫克隆樣本選擇算法
6.3 分類器集成
6.3.1 分類器集成
6.3.2 經典分類器集成方法
6.3.3 分類器選擇性集成算法
6.4 樣本選擇與特征選擇融合方法
6.4.1 WRNN-FSA融合算法
6.4.2 WICIS -FSA融合算法
6.4.3 實驗與討論
6.5 樣本、特征與分類器集成的融合方法
6.5.1 樣本選擇、特征選擇與分類器集成融合原理
6.5.2 MISFFS算法
6.5.3 WRNNIF-SVME算法
6.5.4 WICIF-SVME算法
6.5.5 實驗與討論
6.6 本章小結
參考文獻
第7章 無監督特征選擇算法
7.1 基於特征相關性的無監督特征選擇
7.1.1 基於互信息的無監督特征選擇
7.1.2 基於非參數互信息的無監督特征選擇
7.1.3 基於特征相似性的無監督特征選擇
7.2 基於譜圖理論的無監督特征選擇
7.2.1 基於譜的無監督特征選擇
7.2.2 譜聚類無監督特征選擇
7.3 本章小結
參考文獻
第8章 特征選擇算法集成
8.1 概述
8.2 特征選擇算法集成
8.2.1 基本概念
8.2.2 個體特征選擇器的生成方法
8.2.3 特征選擇算法集成方法
8.3 基於特征排序表的特征選擇算法集成方法
8.3.1 特征排序表集成概念
8.3.2 特征排序表集成方法
8.4 特征選擇算法集成實驗及討論
8.4.1 實驗數據介紹
8.4.2 基於Bagging的特征選擇算法集成實驗
8.4.3 IFSA算法的集成實驗結果及討論
8.4.4 順序向前特征選擇算法集成的實驗結果及討論
8.4.5 實驗結論
8.5 特征選擇算法集成的應用實例——基於fMRI圖像及基因的疾病診斷
8.5.1 應用背景
8.5.2 利用特征選擇與SVM集成融合fMRI和SNP數據進行疾病診斷
8.6 本章小結
參考文獻
第9章 特征選擇用於深度學習
9.1 深度置信網絡基礎模型——受限玻爾茲曼機
9.1.1 受限玻爾茲曼機模型
9.1.2 高斯-伯努利受限玻爾茲曼機
9.1.3 受限玻爾茲曼機的訓練
9.2 深度置信網絡及其特征學習
9.2.1 深度置信網絡的提出
9.2.2 深度置信網絡的訓練
9.2.3 用於分類識別的深度置信網絡
9.2.4 特征學習結果分析
9.3 基於互信息的深度特征優化選擇
9.3.1 平均互信息無監督深度特征優化選擇
9.3.2 非參數互信息無監督深度特征優化選擇
9.3.3 信息增益有監督深度特征優化選擇
9.3.4 聯合互信息有監督深度特征優化選擇
9.4 基於特征選擇優化的DBN模型
9.4.1 基於特征選擇優化的DBN結構
9.4.2 基於平均互信息特征選擇優化的DBN模型
9.4.3 基於非參數互信息特征選擇優化的DBN模型
9.5 本章小結
參考文獻