
论文摘要
随着描述事物复杂程度的提高,需要处理的特征维数越来越高,同时特征中的冗余部分相应地增多。利用特征选择减少特征中的冗余部分,提高模式分类的效率和准确性,是目前的研究热点。本文讨论了特征选择的研究现状、基本理论和方法,研究了特征选择的搜索策略、评价准则和选择模式,具体完成的工作主要有以下三个方面:1)提出了基于改进遗传算法的并列式多准则特征选择算法。首先,针对基本遗传算法用于特征选择精度不高、过早收敛的问题,对其进行了改进:采用自适应交叉和自适应变异操作,并引入了链式智能体结构,智能体间通过竞争实现优胜劣汰,改进后算法的收敛速度和解的质量都得到了提高。然后,将改进的遗传算法用于特征选择。为了提高单评价准则特征选择算法的性能,本文提出了并列式多准则算法:分别基于单个准则选出满意特征子集,然后通过某种评价体制得到最终特征子集。实验结果表明,并列式多准则算法性能优于单准则算法,能有效去除冗余特征,降低特征维数,提高分类准确率。2)提出了基于改进遗传算法的轮循式多准则特征选择算法。与并列式多准则算法不同,该算法的思路是依次采用各个准则进行特征选择,利用后面的准则对前面的准则进行补充、修正,直到所有的评价准则全部遍历完为止。实验结果表明,轮循式多准则算法比仅采用单个准则的特征选择算法准确率更高。3)提出了比例混合模式特征选择算法。将filter模式和wrapper模式有机结合,提出了比例混合模式的特征选择算法:首先采用基于遗传算法的filter模式进行一次特征选择,然后根据比例系数挑选其中适应值较高的个体进行wrapper模式下的特征选择,如此反复多次,最终找到分类性能较高的特征子集。实验结果表明,混合模式特征选择算法的选择精度与wrapper模式相当,明显高于filter模式,而时间代价远远小于wrapper模式,同时算法的稳定性比单一的filter模式和wrapper模式更好。
论文目录
摘要ABSTRACT1 绪论1.1 课题的背景及意义1.2 国内外研究现状1.2.1 选择模式1.2.2 评价准则1.2.3 搜索策略1.3 本文的主要工作1.4 本文的结构2 遗传算法及特征选择的相关基础2.1 遗传算法2.1.1 遗传算法概述2.1.2 遗传算法的数学理论2.1.3 遗传算法的基本实现技术及步骤2.2 特征选择2.2.1 特征选择定义2.2.2 特征选择算法的分类2.2.3 特征选择的流程2.3 基于遗传算法的特征选择2.3.1 基于遗传算法的特征选择方法的优点2.3.2 基于遗传算法的特征选择步骤3 基于改进遗传算法的并列式多准则特征选择算法3.1 遗传算法的改进――链式竞争策略的智能体遗传算法3.2 基于LAGA 的单准则特征选择算法设计3.3 基于LAGA 的并列式多准则算法3.3.1 多准则思想3.3.2 并列式多准则算法3.3.3 并列式多准则算法用于特征选择3.4 实验结果与分析3.4.1 比较LAGA 与其它遗传算法的函数优化性能3.4.2 比较LAGA 与其它算法的特征选择性能3.4.3 比较并列式多准则算法与单准则算法的特征选择性能3.5 本章小结4 基于改进遗传算法的轮循式多准则特征选择算法4.1 原理及流程4.1.1 轮循式多准则算法4.1.2 轮循式多准则算法用于特征选择4.2 实验结果与分析4.2.1 实验说明4.2.2 比较轮循式多准则算法和wrapper 模式特征选择算法的性能4.2.3 比较轮循式多准则算法和基于单准则的filter 模式特征选择算法的性能4.3 本章小结5 比例混合模式特征选择算法5.1 原理及流程5.1.1 Filter 模式和wrapper 模式的一致性研究5.1.2 比例混合模式特征选择算法5.1.3 比例混合模式特征选择算法的流程5.2 实验结果与分析5.2.1 实验说明5.2.2 比较比例混合模式算法与wrapper 和filter 的特征选择性能5.3 本章小结6 总结致谢参考文献附录
相关论文文献
标签:特征选择论文; 遗传算法论文; 多准则论文; 比例混合论文;