模式识别技术的日趋成熟,在现代计算智能领域,显现了其广阔的应用前景。目前,诸如人脸识别、指纹识别等技术已被成功运用于商业开发。但随着信息量的不断增大和对识别精度要求的进一步提高,优化模式识别中特征提取阶段的相关技术显得尤为迫切。一种良好的特征提取技术不仅能够为后续的分类、决策提供坚实的保障,还能大大缩减识别所需的开支。Relief特征加权就是这样一种优秀的维度约减技术,由于其简单性和有效性,目前仍然是一个研究的热点。在运用经典的Relief进行降维的过程中,其自身的几个缺陷却制约着它性能的发挥。第一,Relief算法对有噪声的数据集敏感,缺乏处理异常数据的机制;第二,Relief在不同类型的数据集上表现出的性能也大相径庭,适应能力较差。本文正是针对这两方面的缺陷,分别提出两种相应的鲁棒算法。Relief特征加权技术的一个最新研究进展是:Relief可以近似地表述为一个间距最大化优化问题。在此研究的推动下,本文首次以间距最大化准则为基础构造目标函数,针对算法鲁棒性和适应性方面的需求,分别融入相关的技术,改善其性能。第一,本文在间距最大化为基础的目标函数之上,融合极大熵原理和样本力系数,构造一个新的优化目标函数,并由此推导出权值和样本力更新公式,在算法的迭代过程中,通过更新权值矩阵和样本力,赋予噪音(例外点)极小的样本力系数,弱化它们带来的干扰,使得算法的鲁棒性进一步增强。第二,在提高算法的适应性方面,首先提出具有更好适应性的分离度,并以分离度和模糊加权为基础,提出新的优化目标函数,然后再由模糊优化技术导出算法的学习规则。最后,本文通过一系列的实验对这两方面的优化进行验证,实验证明,这两种优化与经典的Relief算法相比,性能都有了一定程度的提高。