本文選題：特征選擇 + 文化基因算法　； 參考：《計算機科學》2017年03期

【摘要】：隨著各類生物智能演化算法的日益成熟,基于演化技術及其混合算法的特征選擇方法不斷涌現(xiàn)。針對高維小樣本安全數(shù)據(jù)的特征選擇問題,將文化基因算法(Memetic Algorithm,MA)與最小二乘支持向量機(Least Squares Support Vector Machine,LS-SVM)進行結合,設計了一種封裝式(Wrapper)特征選擇方法(MA-LSSVM)。該方法利用最小二乘支持向量機易于求解的特點來構造分類器,以分類的準確率作為文化基因算法尋優(yōu)過程中適應度函數(shù)的主要成分。實驗表明,MA-LSSVM可以較高效地、穩(wěn)定地獲取對分類貢獻較大的特征,降低了數(shù)據(jù)維度,提高了分類效率。
[Abstract]:With the growing maturity of various intelligent evolutionary algorithms, feature selection methods based on evolutionary techniques and their hybrid algorithms are emerging. In order to solve the problem of feature selection of high-dimensional and small-sample security data, a new feature selection method named MA-LSSVM is designed by combining the cultural genetic algorithm (MA-Memetic algorithm) with least squares support vector machine (LS-SVM) and least squares support vector machine (LS-SVM). In this method, the feature of least square support vector machine (LS-SVM) is used to construct the classifier, and the accuracy of classification is used as the main component of the fitness function in the optimization process of the cultural gene algorithm. The experimental results show that MA-LSSVM can efficiently and stably acquire the features that contribute more to the classification, reduce the data dimension and improve the classification efficiency.
【作者單位】： 全球能源互聯(lián)網(wǎng)研究院;國網(wǎng)浙江省電力公司;南京理工大學計算機科學與工程學院;
【基金】：國家電網(wǎng)公司2015年科技項目(SGRIXTKJ[2015]216)資助
【分類號】：TP18

【參考文獻】

相關期刊論文 前9條

1 楊文璐;寧玉富;;基于交叉因子和模擬退火的群搜索優(yōu)化算法[J];計算機工程與設計;2013年06期

2 Li Kun;Gao Xianwen;Tian Zhongda;Qiu Zhixue;;Using the curve moment and the PSO-SVM method to diagnose downhole conditions of a sucker rod pumping unit[J];Petroleum Science;2013年01期

3 李云;;穩(wěn)定的特征選擇研究[J];微型機與應用;2012年15期

4 劉罡;李元香;鄭昊;;保存基因的2-Opt一般反向差分演化算法[J];小型微型計算機系統(tǒng);2012年04期

5 羅鈞;樊鵬程;;基于遺傳交叉因子的改進蜂群優(yōu)化算法[J];計算機應用研究;2009年10期

6 李彥斌;張寧;李存斌;;Support vector machine forecasting method improved by chaotic particle swarm optimization and its application[J];Journal of Central South University of Technology;2009年03期

7 武志峰;黃厚寬;趙翔;;二進制編碼差異演化算法在Agent聯(lián)盟形成中的應用[J];計算機研究與發(fā)展;2008年05期

8 孫艷豐;;基于遺傳算法和禁忌搜索算法的混合策略及其應用[J];北京工業(yè)大學學報;2006年03期

9 何大闊,王福利,張春梅;基于均勻設計的遺傳算法參數(shù)設定[J];東北大學學報;2003年05期

【共引文獻】

相關期刊論文 前10條

1 馬媛媛;施永益;張宏;林棋;李千目;;基于文化基因算法和最小二乘支持向量機的安全數(shù)據(jù)特征處理方法[J];計算機科學;2017年03期

2 王凱;李紅梅;姚宏洋;;低轉(zhuǎn)矩脈動同步磁阻電機設計與優(yōu)化[J];微特電機;2017年01期

3 王松;李紅星;;基于遺傳搜索策略的人工蜂群算法[J];北京聯(lián)合大學學報;2017年01期

4 李翔宇;高憲文;李琨;侯延彬;;魚群算法優(yōu)化組合核函數(shù)GPR的油井動液面預測[J];東北大學學報(自然科學版);2017年01期

5 焦曉璇;景博;羌曉清;劉曉東;李娟;周偉;;機載燃油泵故障診斷及實驗平臺研究[J];振動與沖擊;2017年01期

6 李琨;韓瑩;佘東生;魏澤飛;黃海礁;;基于IFOA-KELM-MEA模型的游梁式抽油機采油系統(tǒng)井下工況的短期預測[J];化工學報;2017年01期

7 李翔宇;高憲文;侯延彬;王宏日;;游梁式抽油機懸點負載耦合動力學建模[J];東北大學學報(自然科學版);2016年09期

8 湯德佑;周子琳;;基于臨界多邊形的不規(guī)則件啟發(fā)式排樣算法[J];計算機應用;2016年09期

9 蔣玲莉;莫志軍;陳安華;李學軍;;一種聚類優(yōu)化融合故障診斷方法及其應用[J];中國機械工程;2016年15期

10 Teena Mittal;R.K.Sharma;;Integrated search technique for parameter determination of SVM for speech recognition[J];Journal of Central South University;2016年06期

【二級參考文獻】

相關期刊論文 前10條

1 陳曉娟;陳婧;;基于遺傳模擬退火的QoS單播路由算法[J];計算機應用研究;2012年12期

2 許鵬飛;苗啟廣;李偉生;張軍英;;基于函數(shù)復雜度的自適應模擬退火和禁忌搜索新算法[J];電子學報;2012年06期

3 劉鯖潔;陳桂明;劉小方;楊慶;;基于遺傳算法的SVM參數(shù)組合優(yōu)化[J];計算機應用與軟件;2012年04期

4 周鈺婷;劉光遠;賴祥偉;;模擬退火免疫粒子群算法在皮膚電信號情感識別中的應用[J];計算機應用;2011年10期

5 梁華;李訓銘;;基于物理意義的示功圖凡爾開閉點精確提取[J];石油勘探與開發(fā);2011年01期

6 劉鋒;覃廣;李麗娟;;快速被動群搜索優(yōu)化算法及其在空間結構中的應用[J];工程設計學報;2010年06期

7 李敬元;陳國春;李子豐;李慧云;;濾波技術在有桿泵抽油系統(tǒng)診斷中的應用[J];石油學報;2010年01期

8 吳昱;李元香;徐星;;基于群智能的新型反向混合差分進化算法[J];小型微型計算機系統(tǒng);2009年05期

9 張雯栶;滕少華;李麗娟;;改進的群搜索優(yōu)化算法[J];計算機工程與應用;2009年04期

10 ;An improved group search optimizer for mechanical design optimization problems[J];Progress in Natural Science;2009年01期

【相似文獻】

相關期刊論文 前10條

1 周明東;林俊聰;金小剛;;最小二乘網(wǎng)格的模型修補[J];工程圖學學報;2009年05期

2 郭一新;基本最小二乘參數(shù)估計的程序設計[J];信息與控制;1984年06期

3 丁振,潘泉,吳錦濤,張洪才;最小二乘被動式跟蹤算法與仿真[J];數(shù)據(jù)采集與處理;1996年02期

4 趙永平;孫健國;王健康;;在線稀疏最小二乘支持向量回歸機及其應用(英文)[J];Transactions of Nanjing University of Aeronautics & Astronautics;2009年04期

5 魯照權;俞宗嘉;胡金東;胡焱東;;廣義最小二乘限定記憶參數(shù)辨識方法與仿真研究[J];安徽大學學報(自然科學版);2009年06期

6 馮健;花向紅;王劉準;;整體最小二乘的GM(1,n)模型在高鐵中的應用研究[J];測繪地理信息;2014年01期

7 徐峰;史偉民;楊亮亮;;高速高精運動平臺模型參數(shù)最小二乘辨識研究[J];機電工程;2014年09期

8 周鑫;劉全;傅啟明;肖飛;;一種批量最小二乘策略迭代方法[J];計算機科學;2014年09期

9 趙永平;孫健國;;一種快速稀疏最小二乘支持向量回歸機[J];控制與決策;2008年12期

10 楊志安;;基于最小二乘的魯棒線性擬和方法[J];儀器儀表標準化與計量;2008年03期

相關會議論文 前10條

1 孫明軒;畢宏博;;最小二乘學習辨識[A];中國自動化學會控制理論專業(yè)委員會D卷[C];2011年

2 袁慶;樓立志;陳瑋嫻;;加權總體最小二乘在三維基準轉(zhuǎn)換中的應用[A];第二屆中國衛(wèi)星導航學術年會電子文集[C];2011年

3 宋海鷹;桂衛(wèi)華;陽春華;;基于核偏最小二乘的簡約最小二乘支持向量機及其應用研究[A];第二十六屆中國控制會議論文集[C];2007年

4 陳慧波;丁鋒;;基于輸出快采樣數(shù)據(jù)的確定性系統(tǒng)最小二乘盲辨識方法[A];第二十六屆中國控制會議論文集[C];2007年

5 苑云;朱肇昆;尚洋;;一種加速最小二乘匹配方法[A];第十三屆全國實驗力學學術會議論文摘要集[C];2012年

6 康傳會;汪曉東;汪軻;常健麗;;基于最小二乘支持向量機的遲滯建模方法[A];第二十九屆中國控制會議論文集[C];2010年

7 于正n\;朱圣英;崔平遠;;小天體地形重構技術的最小二乘實現(xiàn)與精度分析[A];中國宇航學會深空探測技術專業(yè)委員會第八屆學術年會論文集（下篇）[C];2011年

8 閆守柱;羅佳;吉雯龍;張傳海;胡曉明;;基于ACPSO的最小二乘支持向量機分類方法研究[A];系統(tǒng)仿真技術及其應用學術論文集（第15卷）[C];2014年

9 周明東;林俊聰;金小剛;;基于最小二乘網(wǎng)格的模型修補[A];中國計算機圖形學進展2008--第七屆中國計算機圖形學大會論文集[C];2008年

10 胡亞軒;王慶良;崔篤信;王文萍;李克;鄭傳芳;陳紅衛(wèi);;Mogi模型的阻尼最小二乘反演及其應用[A];中國地球物理學會第22屆年會論文集[C];2006年

相關博士學位論文 前1條

1 陶葉青;總體最小二乘模型及其在礦區(qū)測量數(shù)據(jù)處理中的應用研究[D];中國礦業(yè)大學;2015年

相關碩士學位論文 前10條

1 秦天龍;方程誤差模型基于最新估計的加權新息最小二乘辨識[D];哈爾濱工業(yè)大學;2015年

2 于冬冬;病態(tài)總體最小二乘解算方法及應用研究[D];東華理工大學;2015年

3 劉曉飛;提高流量計檢定臺檢測效率方法研究[D];華南理工大學;2015年

4 陶武勇;總體最小二乘粗差探測和定位[D];東華理工大學;2015年

5 薛松;基于KFCM的模糊最小二乘SVM研究[D];南京郵電大學;2015年

6 冉恩全;基于最小二乘復指數(shù)法的局部模態(tài)參數(shù)識別及應用[D];重慶大學;2015年

7 孫鄖松;分頻編碼最小二乘偏移方法研究[D];中國石油大學(華東);2014年

8 胡明;基于最小二乘支持向量機的航空伽瑪能譜分段去噪方法研究[D];東華理工大學;2016年

9 余航;總體最小二乘聯(lián)合平差方法及其應用研究[D];東華理工大學;2016年

10 馬婷;二乘二取二安全計算機內(nèi)部安全通信機制的設計與實現(xiàn)[D];西南交通大學;2016年

，

本文編號：1811383