《表3 三种特征选择方法在UCI数据集上的分选结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于CMFS-MIC特征选择的跳频电台个体识别方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

/%

表2和3分别给出了FCBF、CMFS-n和CMFS-MIC在表1数据集上的特征降维能力和三种不同方法选择的最优特征子集在测试集上的分类准确率。其中，CMFS-n算法的阈值η通过多次仿真实验并综合考虑分类成功率与特征降维来选定，full来表示数据全集，average表示均值。从表2中可知三种算法均能实现降维，但是降维能力存在缺陷，本文算法在这四个数据集中均得到了更少的特征维数，降维能力优于其他两种算法。从表3可以看到，相比于FCBF算法，CMFS-MIC能够用较小的数据特征维数实现了更高的识别率。CMFS-MIC与CMFS-n算法相比，在分类效果上各有优势，但是CMFS-n在特征选择时阈值η的选择需要多次实验得到，选择不同值对分类结果和特征选择维数影响较大，鲁棒性较差且实现过程耗时多。此外，特征选择之后，不同数据集在不同分类器上准确率均有一定提高，在同一数据集上，CRC算法分类的准确率高于SVM算法。