李睿峰, 许爱强, 孙伟超, 王树友

(海军航空大学, 山东 烟台 264001)

0 引 言

在航空电子设备故障诊断中,由于测试项目众多,导致原始数据维数较高,需要消耗大量的运算时间与存储空间[1]。因此,如何去除冗余信息和不相关特征,对测试数据进行约简,是航空电子设备故障诊断研究领域的一个基本问题[2-3]。

近年来,特征选择一直是一个活跃的研究领域[4],一个好的特征选择算法可以有效提取数据集中的关键信息[5-6]。文献[7]在电子电路故障诊断中使用粗糙集约简冗余特征。文献[8]提出了一种考虑特征相关性构成的特征选择算法。文献[9]将粒子群优化方法应用于特征选择过程。文献[10]将超限学习机技术应用于特征选择过程。文献[11]研究了基于K-means聚类的特征选择算法。

现有的特征选择算法通常都是针对某一具体应用而开发的,在特定的学习任务上表现出了优于其他算法的性能,但这不能表明该算法总是“优越”的[12],不同的特征选择算法可能会偏向于不同的数据集。因此,为了确定哪种特征选择算法对当前任务最有效,需要事先发掘这些算法对于各类数据集的适用情况。

元学习是一种利用以往知识经验来为新任务推荐有效学习算法的方法,目前已经在数据挖掘领域得到了广泛的应用。通过元学习,可以提取历史数据集和学习算法的元特征[13],在新的学习任务到来之时,结合与当前数据集最为相近的历史数据集上各类算法的性能,推荐有效的学习算法[14]。……