A Chaos-Enhanced Binary Newton–Raphson Optimizer for High-Dimensional Sensor Data Feature Selection

Abdelmonem M. Ibrahim

doi:10.3390/s26123887

A Chaos-Enhanced Binary Newton–Raphson Optimizer for High-Dimensional Sensor Data Feature Selection

2026-06-18

0

OA

AI

A

Abdelmonem M. Ibrahim

DOI：10.3390/s26123887

原文链接

原文求助

摘要

En 中文

特征选择对于高维传感器和生物医学数据至关重要，因为它能减少冗余、提高泛化能力并支持可解释的生物标志物发现。本研究提出了一种基于包装器方法的二进制混沌增强牛顿-拉弗森优化器（BCNRBO）。该方法整合了混沌搜索动力学、基于汉明距离的动态势能机制以及一种新的二进制转移函数，以增强探索能力并防止过早收敛。BCNRBO在26个基准数据集上使用多种分类器进行了评估，包括K近邻（KNN）、决策树（DT）、朴素贝叶斯（NB）和支持向量机（SVM）分类器。所提出的方法在选择了比竞争二进制元启发式方法更少特征的同时，始终实现了具有竞争力或更优的分类性能。特别地，BCNRBO在所有分类器上均始终实现了最佳特征缩减性能，并在DT、NB和SVM上获得了最高的Friedman排名，证明了其整体有效性。统计检验证实，在大多数成对比较中，该方法相较于竞争方法具有显著改进。这些结果表明，BCNRBO是传感器衍生生物医学和神经康复数据的一种有前景的特征选择策略，在这些领域中需要紧凑且可靠的数字生物标志物。

Keyword:

metaheuristics

chaotic maps

feature selection

wrapper approach

classification

optimization algorithms

neuroimaging

A Chaos-Enhanced Binary Newton–Raphson Optimizer for High-Dimensional Sensor Data Feature Selection

摘要

期刊

机构

引用论文