TY - Jour A2 - Hernández-Pérez，何塞阿尔弗雷多奥 - 肖，新平AU - FU，滇肛门，宇友文，江苏 - 2020DA - 2020/04/26 - 优化的Mahalanobis-Taguchi系统高-dimensional小样本数据分类SP - 4609423 VL - 2020 AB - Mahalanobis-Taguchi系统（MTS）是一种多元数据诊断和预测技术，广泛用于优化大型样本数据或不平衡数据，但很少用于高维小样本数据。本文从两个方面讨论了用于高维样本数据的分类的优化MT，即协方差矩阵的逆矩阵不稳定性以及特征选择的不稳定性。首先，基于正则化和平滑技术，本文提出了一种改进的Mahalanobis度量来计算Mahalanobis距离，其旨在降低在小样本条件下反向矩阵不稳定性的影响。其次，将最小冗余 - 最大相关性（MRMR）算法引入到MTS中，用于特征选择的不稳定性问题。通过使用MRMR算法和信噪比（SNR），提出了一种两级特征选择方法：首先使用MRMR算法来消除噪声和冗余变量;然后使用正交表和SNR来筛选对分类做出很大贡献的变量的组合。然后，优化的MT的可行性和简单性在UCI数据库中的五个数据集中示出。基于正则化和平滑技术（RS-MD）的Mahalanobis距离比传统的Mahalanobis距离更强大。 The two-stage feature selection method improves the effectiveness of feature selection for MTS. Finally, the optimized MTS is applied to email classification of the Spambase dataset. The results show that the optimized MTS outperforms the classical MTS and the other 3 machine learning algorithms. SN - 1687-5265 UR - https://doi.org/10.1155/2020/4609423 DO - 10.1155/2020/4609423 JF - Computational Intelligence and Neuroscience PB - Hindawi KW - ER -