通过重新设计 Fireworks Algorithm 的爆炸算子和使用历史最优信息构建自适应爆炸半径，我们提出了 Fireworks Algorithm 的简化版本以减少算法的参数数量并充分利用废弃个体的位置信息，而相比其他算法（如 PSO 算法和蝙蝠算法），在函数优化方面，我们提出的简化版 Fireworks Algorithm 性能更好。

Jan, 2023

本研究提出了一种创新的无监督特征选择框架 —— 分形自编码器 (FAE)，它通过训练神经网络来精确定位全局取代能力和局部多样性的信息特征，具有显著优势，可在 14 个数据集上验证，特别是在基因表达数据探索方面可将测量成本降低约 15%，比现有的同类方法性能更优。

Oct, 2020

通过选择最具信息量的特征并消除无关的特征，我们提出了一种新的基于差异性特征的滤波特征选择方法 ContrastFS，该方法能够在大型数据集上有效地降低计算成本，而且性能优于其他最先进的特征选择方法。

Jan, 2024

本文提出一种新的分形维数不变滤波（FDIF）方法，利用局部自相似性概念为图像开发局部分形模型，并在各向异性滤波器组后添加非线性后处理步骤，成功地保持了图像局部分形维度不变性，同时，将所提出的滤波方法通过 CNN-based 框架进行了近似重构，提供了一种新的 CNN 图像模型的几何解释。在复杂曲线检测任务中，该方法优于现有方法。

Mar, 2016

在大规模天文数据时代，我们提出了一种新的方法 FDIDWT，并结合改进的 MatchboxConv1D 模型实现了两个任务：（1）通过在 4FGL DR3 不确定源中识别出活动星系核 (AGNs) 以及 (2) 在 BL Lacertae 物体 (BL Lacs) 和平谱射电类星体 (FSRQs) 之间对不确定类型 (BLazar Candidates of Uncertain type, BCUs) 进行分类。

Jan, 2024

本文提出了一种基于概率潜变量图的鲁棒性特征选择算法，它通过将特征子集视为图上的路径，在考虑所有特征子集的同时执行排名步骤，并将相关性建模为 PLSA 启发式生成过程中的潜在变量。实验表明，该方法在许多不同的场景和难度下都可获得最高性能水平，并在特征选择领域设定了一个新的最佳状态。

Jul, 2017

通过研究分形维度如何随测量尺度变化来提供对象复杂性的统计指标，本研究调查了深度模型学习的特征，以及这些深度网络是否能够编码像分形维度这样复杂和高级的特征。研究表明深度网络无法在任何层次中提取这样的特征，而仅操作分形特征的模型在某些应用中的分类任务中可显着提高准确性，且相对于原始数据训练的深度网络而言，所需计算资源较少。

Jan, 2024

该研究探讨了在网络数据采集基础上，采用机器学习和深度学习方法，结合三种特征选择技术去构建出更快，更易解释，更准确的入侵检测系统，结果显示 Bat 算法得到了最高效的结果。

Mar, 2023

本研究探讨了分形分解算法（FDA）在低维连续优化问题中的性能，并在 Black Box Optimization Benchmark（BBOB）上评估了 FDA 的性能，结果表明，在其当前形式中，FDA 的表现还不够理想。

Oct, 2022

通过将离散特征子集转换为连续嵌入空间优化的方法，我们提出了一种新的深度可微特征选择任务，实现了一种通用和原则性的框架，该框架包括深度特征子集编码器，准确性评估器，解码器和梯度上升优化器。

Feb, 2023