나는 이미지 처리를 사용하여 240 개의 특징 집합을 추출했습니다. 교육의 목적은 테스트 케이스를 7 개의 다른 클래스로 분류하는 것입니다. 각 클래스에는 약 60 개의 관측이 있습니다 (즉, 각 클래스에는 240 개의 구성 요소가있는 각 벡터에 대해 약 60 개의 특징 벡터가 있음).특징 선택을위한 Bhattacharyya 거리 사용
많은 연구 논문 및 서적은 특징 벡터에서 최상의 특징을 선택하기 위해 연속 순방향 검색 또는 순차 역 검색을 사용합니다. 다음 그림은 순차적 순방향 검색 알고리즘을 제공합니다.
이러한 알고리즘은 기능을 구분하기 위해 몇 가지 기준을 사용합니다. 일반적인 방법은 Bhattacharyya Distance를 기준으로 사용하는 것입니다. Bhattacharyya Distance는 분포 사이의 분기 유형 측정입니다. 일부 연구 및 연구에서 클래스 A에 대한 행렬 M1이이 클래스의 모든 60 개의 특징 벡터로 구성되어 있고 n = 60 행 및 m = 240 열 (총 240 개의 피쳐가 있음)과 클래스 BI에 대한 유사한 행렬 M2는 그들 사이의 Bhattacharyya Distance를 알아 내고 그들의 상호 의존성을 발견 할 수있다.
내 질문은 두 가지를 통합하는 방법입니다. 위에서 설명한대로 알고리즘에서 최상의 기능을 선택하기위한 기준으로 Bhattacharyya Distance를 어떻게 포함시킬 수 있습니까?
OperateBhattacharrya 함수에 대한 코드가 있습니까? – Matthieu
@Matthieu 있었을 것입니다. 이것은 2 년 전의 연구 프로젝트였습니다. – Sohaib