發(fā)布時(shí)間：2021-10-21 08:27

　　隨著社會(huì)的發(fā)展和科技的進(jìn)步,數(shù)據(jù)量呈現(xiàn)出爆炸式的增長(zhǎng),通常在機(jī)器學(xué)習(xí)領(lǐng)域中,學(xué)習(xí)算法的性能會(huì)隨著數(shù)據(jù)集特征過(guò)多而下降。近些年來(lái),特征選擇作為解決這個(gè)問(wèn)題的有效手段,得到了廣泛的關(guān)注,諸多的學(xué)者也相繼開(kāi)發(fā)、改進(jìn)了許多特征選擇的方法,取得了可觀的成效。在這些有效的算法中,粒子群優(yōu)化算法具有參數(shù)少、操作簡(jiǎn)單、局部搜索能力強(qiáng)等優(yōu)點(diǎn),使得粒子群優(yōu)化算法解決特征選擇問(wèn)題變?yōu)楫?dāng)前研究的重點(diǎn)。本文通過(guò)進(jìn)一步的分析粒子群優(yōu)化算法和特征選擇問(wèn)題,并結(jié)合社團(tuán)檢測(cè),利用社團(tuán)檢測(cè)算法深度挖掘特征之間隱藏的信息去指導(dǎo)種群進(jìn)化。主要工作包括以下兩方面:（1）針對(duì)粒子群優(yōu)化算法在解決特征選擇問(wèn)題中,容易陷入局部最優(yōu),難以找到高質(zhì)量特征子集的問(wèn)題。提出了一種基于社團(tuán)的粒子群優(yōu)化特征選擇算法CBPSOFS。算法的大致思想如下:首先,將特征轉(zhuǎn)化為特征圖,并結(jié)合社團(tuán)檢測(cè)的算法將特征劃分為不同的特征社團(tuán),根據(jù)同一特征社團(tuán)包含相似信息設(shè)計(jì)了基于社團(tuán)的自適應(yīng)更新策略,來(lái)保持種群的多樣性,同時(shí)平衡了局部搜索和全局搜索,有效的克服了過(guò)早陷入局部最優(yōu)的現(xiàn)象;此外設(shè)計(jì)了基于信息增益的初始化策略和基于歷史信息的重置策略,進(jìn)一步提高了算法的性... 

【文章來(lái)源】：安徽大學(xué)安徽省 211工程院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 特征選擇算法的研究現(xiàn)狀
        1.2.1 基于粒子群優(yōu)化特征選擇算法
        1.2.2 基于社團(tuán)的特征選擇方法
    1.3 本文的工作與安排
第二章 相關(guān)理論及算法
    2.1 特征選擇
        2.1.1 過(guò)濾式特征選擇
        2.1.2 封裝式特征選擇
    2.2 粒子群優(yōu)化算法
    2.3 社團(tuán)檢測(cè)
    2.4 構(gòu)造特征圖
    2.5 本章小結(jié)
第三章 基于社團(tuán)檢測(cè)的粒子群優(yōu)化特征選擇算法
    3.1 算法思想
    3.2 算法流程和算法主要的策略
        3.2.1 算法流程
        3.2.2 基于信息增益的初始化策略
        3.2.3 基于社團(tuán)的自適應(yīng)更新策略
        3.2.4 基于歷史信息的重置策略
    3.3 實(shí)驗(yàn)與分析
        3.3.1 實(shí)驗(yàn)設(shè)置
        3.3.2 實(shí)驗(yàn)分析結(jié)果
        3.3.3 策略有效性分析
    3.4 本章小結(jié)
第四章 基于核心粒子的粒子群優(yōu)化高維特征選擇算法
    4.1 算法思想
    4.2 算法流程及算法主要的策略
        4.2.1 算法流程
        4.2.2 核心粒子集生成策略
        4.2.3 核心粒子選擇策略
        4.2.4 基于非支配解的種群變換策略
    4.3 實(shí)驗(yàn)與分析
        4.3.1 實(shí)驗(yàn)設(shè)置
        4.3.2 實(shí)驗(yàn)分析結(jié)果
        4.3.3 策略有效性分析
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)成果及參加的科研項(xiàng)目
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于相關(guān)搜索的前向序列特征選擇算法[J]. 李三川,吳麗麗.  通信技術(shù). 2018(12)
[2]大數(shù)據(jù)研究[J]. 嚴(yán)霄鳳,張德馨.  計(jì)算機(jī)技術(shù)與發(fā)展. 2013(04)
[3]基于PSO的LS-SVM特征選擇與參數(shù)優(yōu)化算法[J]. 姚全珠,蔡婕.  計(jì)算機(jī)工程與應(yīng)用. 2010(01)
[4]基于粒子群優(yōu)化算法和相關(guān)性分析的特征子集選擇[J]. 郭文忠,陳國(guó)龍,陳慶良,余輪.  計(jì)算機(jī)科學(xué). 2008(02)
[5]基于蟻群優(yōu)化的特征選擇新方法[J]. 葉志偉,鄭肇葆,萬(wàn)幼川,虞欣.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2007(12)
[6]基于遺傳算法和模擬退火算法的特征選擇方法[J]. 劉素華,侯惠芳,李小霞.  計(jì)算機(jī)工程. 2005(16)
[7]中文文本分類(lèi)中的特征選擇研究[J]. 周茜,趙明生,扈旻.  中文信息學(xué)報(bào). 2004(03)
[8]人臉識(shí)別技術(shù)綜述[J]. 張翠平,蘇光大.  中國(guó)圖象圖形學(xué)報(bào). 2000(11)

碩士論文
[1]基于相關(guān)性的癌癥特征選擇及分類(lèi)算法研究[D]. 彭湘華.湖南大學(xué) 2012



本文編號(hào)：3448613