基于自适应粒子群算法的特征选择

摘要：

在模式分类问题中,数据往往存在不相关或冗余的特征,从而影响分类的准确性.特征选择的提出,很好地解决了这一问题.特征选择的关键在于利用最少的特征获得最佳的分类效果.为了达到这一目的,一种基于自适应粒子群的特征选择的理论被提出.相比于原始的粒子群算法,在初始过程中引入混沌模型增加其初始粒子的多样性,在更新机制中引入自适应因子增加其全局搜索能力.同时将特征数目引入到适应度函数中,在迭代前期通过惩罚因子调节分类准确率和特征数目对于适应度函数的影响,在迭代中后期惩罚因子恒定,使特征数目对于适应度函数的影响趋于稳定.自适应粒子群算法具有很好的全局收敛性,能够避免陷入局部最优,尤其适合高维数据的降维问题.大量的理论分析和仿真实验的结果表明,与其他粒子群算法(PSO)的特征选择结果相比,在数据特征数目各异的情况下,该算法具有更好的分类效果,同时表明了所提算法的可行性以及优越性.

关键词：特征选择、粒子群算法、分类、自适应、封装

所属期刊栏目：27

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61271232,61372126;东南大学移动通信国家重点实验室开放研究基金2012D05

在线出版日期：2017-05-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：89-93