發(fā)布時(shí)間：2023-01-13 17:47

　　在數(shù)據(jù)挖掘中,由于數(shù)據(jù)集中含有大量的冗余和不相關(guān)的特征,因此特征選擇是一個(gè)重要的預(yù)處理過程。提出了一個(gè)基于混合互信息和粒子群算法的過濾式-封裝式的多目標(biāo)特征選擇方法（HMIPSO）。根據(jù)粒子的pbest距離上次更新的迭代次數(shù),提出了自適應(yīng)突變策略去擾動(dòng)種群,避免種群陷入局部最優(yōu)。同時(shí)基于帕累托前沿面和外部文檔提出了一個(gè)新的集合概念。結(jié)合互信息和新的集合知識(shí)提出了一個(gè)局部搜索策略,使得帕累托前沿面中的粒子可以刪除不相關(guān)和冗余的特征,然后通過精英策略更新學(xué)習(xí)前和學(xué)習(xí)后的帕累托前沿面。最后將提出的算法和另外4種多目標(biāo)算法在15個(gè)UCI數(shù)據(jù)集上進(jìn)行了測試,實(shí)驗(yàn)結(jié)果表明提出的算法能夠更好地降低特征個(gè)數(shù)和分類錯(cuò)誤率。 

【文章頁數(shù)】：13 頁

【文章目錄】：
1 引言
2 背景介紹
    2.1 PSO算法
    2.2 互信息
    2.3 多目標(biāo)優(yōu)化
    2.4 特征選擇
3 基于混合PSO和MI算法的多目標(biāo)特征選擇方法
    3.1 基于互信息方法的局部學(xué)習(xí)策略
        3.1.1 外部文檔和非支配面的集合概念
        3.1.2 基于互信息的插入刪除操作
        3.1.3 精英策略
    3.2 自適應(yīng)突變操作
    3.3 gbest的選取
    3.4 Archive的更新
    3.5 種群的編碼、解碼與評(píng)價(jià)
4 實(shí)驗(yàn)設(shè)計(jì)和結(jié)果分析
    4.1 數(shù)據(jù)集和實(shí)驗(yàn)參數(shù)設(shè)置
    4.2 實(shí)驗(yàn)結(jié)果分析
        4.2.1 HMIPSO對(duì)分類的影響
        4.2.2 HMIPSO、CMDPSO和MOPSO之間的比較
        4.2.3 HMIPSO、NSGA-II和BMOABC之間的比較
5 結(jié)束語


【參考文獻(xiàn)】：
期刊論文
[1]人工蜂群算法優(yōu)化的特征選擇方法[J]. 巢秀琴,李煒.  計(jì)算機(jī)科學(xué)與探索. 2019(02)



本文編號(hào)：3730588