脉冲波形甄别中的最佳特征子集选择与降维研究

分类： 核科学技术 >> 核科学技术其他学科 提交时间： 2024-05-31

丁廷梦 蒋小菲 蒋宇航 杨录英

摘要： 随着机器学习在中子-伽马（n-γ）甄别中的广泛应用，脉冲波形甄别中的特征子集选择成为一个值得关注的问题。经验方法、Random Forest分类和Logistic回归特征选择算法较为全面地完善了特征子集选择方法，核主成分分析（KPCA）则将特征子集进一步降维。实验结果表明，特征选择算法在微弱的核信号中表现不佳，错误率均达30%以上。经验方法中的特征子集选取范围则至关重要，特征子集“1-62”的错误率达到49.096%，远高于来自脉冲尾部的特征子集约1%的错误率。最优特征子集与尾积分对应的采样点不完全重合，但差异不大，尾积分对应的采样点可近似为最优特征子集。通过研究目前具有代表性的Random Forest分类、Logistic回归等特征选择算法和细致的经验方法，论文结果具有普适性，为特征子集的选择提供了进一步的理论支持。

 点击量 206  下载量 66  评论 0