19、互信息与机器学习在医疗和高光谱数据中的应用探索

互信息与机器学习在医疗和高光谱数据中的应用探索

1. 互信息在高光谱数据特征选择中的应用

互信息及其相关技术在众多领域的特征选择中得到了广泛应用，如医学成像、土地利用与土地覆盖分析等。对互信息进行归一化处理，对于确定两个随机变量之间的依赖关系具有重要意义。

1.1 研究内容

• 从高光谱数据的特征选择和土地利用土地覆盖分类的角度，研究互信息的最优归一化方案。
• 将调整互信息（AMI）作为高光谱特征选择的波段排序参数，并提出了一种推导 AMI 的新方法。

1.2 归一化方案比较

在归一化互信息（NMI）和 AMI 的各种变体中，基于个体熵之和的归一化方案明显优于其他方案。此外，还提出了结合加权熵的 WNMIsum 和 WAMIsum 变体，用于高光谱数据的最佳波段选择。

1.3 实验验证

为了检验所提出的互信息变体在高光谱波段选择中的潜力，采用了四个最先进的高光谱数据集进行实验，实验分为两种情况：
- 情况一 ：训练样本固定为 20%。实验结果表明，加权归一化和调整和变体 WNMIsum 和 WAMIsum 更适合波段选择。
- 情况二 ：选择的波段数量固定为 20。此时，归一化和调整和变体 NMIsum 和 AMIsum 更适合波段选择。

总体而言，基于个体熵之和的归一化方法更适合开发结合互信息的特征选择方法。

以下是实验情况的表格总结：
| 实验情况 | 适合的波段选择变体 |
| — |