模式识别的主要任务就是利用样本中的特征,将样本划分为相应的模式类别。通常情况下,样本特征中包含了足够的类别信息,才能通过分类器实现正确分类。为了提高模式识别的正确识别率,人们通常需要采集数量巨大的原始特征,使得原始特征空间或输入空间的维数可能高达几千维或几万维。这样,结果不仅使样本特征维数增大,而且其中可能存在较大的相关性和冗余,影响最后的分类精度。这就造成所谓的维数灾难。所以为了有效地进行模式分类和数据分析,特征降维就显得异常重要。本论文的研究目的是为了探索新的特征选择方法,提出一种用于特征降维的特征排序和特征选择,丰富减少特征维数的方法。文中简要介绍了特征降维的准则,回顾了当前的主要特征降维技术。文中也对特征相关性分析和聚类有效性准则进行了阐述,重点介绍了特征之间相似性度量的方法和聚类有效性的判断准则。本论文重点是建立了一种基于对特征进行聚类的特征选择准则,阐述了应用该准则进行特征排序的原理和方法。针对特征选择这一问题,文中从特征对分类结果的影响、特征之间的相似度量公式和特征之间相关性的分析这三个方面出发,先利用特征相似性度量公式计算每一维特征之间的相似度即求出相似度矩阵,再依据每一维特征对样本分类的影响,结合聚类算法和聚类有效性的判断准则等,然后提出了一种基于聚类的特征选择算法。文中先前几个章节先对相关的知识背景进行粗略的介绍,如K均值聚类算法、层次聚类方法、聚类有效性判断准则等。论文对于无监督的情况,利用聚类的方法,提供一种简化了的针对无监督情况的特征排序方法和一种简化了的特征选择方法。论文最后采用C++来编程实现了文中提出的算法,选取了大量数据来进行实验。大量的基于的实验结果表明,本文所提出的方法是有效、可行的,并且与现有的一些方法相比,更为有效。它还有着运算速度快等优点。