基于差分进化和森林优化混合的特征选择

发布时间：2021-02-20 02:47

　　特征选择在分类中是一个极其困难而又重要的问题.为实现精确、快速地筛选特征,本研究针对森林优化算法收敛速度过慢的问题,将差分进化算法与森林优化算法结合,引入一种反馈机制,提出了差分进化和森林优化混合的算法并将其用于特征选择问题.同时根据森林优化算法局部播种的特点,引入一种针对局部搜索阶段改进的K最近邻算法以降低计算量.差分进化和森林优化混合的算法在与其它特征选择算法的对比中展现了良好的性能,实验结果表明该算法具有较好的分类性能与稳定的收敛速度,且改进的K最近邻算法能够显著提升该算法的运行速度.因此,差分进化和森林优化混合的算法是一种有效的特征选择方法. 

【文章来源】：小型微型计算机系统. 2019,40(06)北大核心

【文章页数】：5 页

【部分图文】：

新型KNN的计算效率

算法性能相似外，在其它数据集上的性能皆显著高于其它算表3DEFOA分类性能的t检验Table3TtestforclassificationperformanceofDEFOA数据集BFDEFSFOABGWOGABPSOBDAWine==+===Zoo==+===Dermatology+=+==+Sonar+=++++Movement++++++HilVally++++++Musk1++++++Arrhythmia++++++LSVT++++++SＲBCT=+++++法．因此，DEFOA在中维度和高维度数据集上具有良好的分类性能．图2算法收敛图Fig．2Convergencediagramofalgorithms图2是不同算法在不同数据集上的收敛图．易看出DE-FOA在各数据集上均能获得较好适应度值且具有更稳定的收敛速度．5结语本研究针对森林优化算法的局部播种计算量过大的问题，在森林优化算法的前期迭代中使用差分进化算法代替局部播种，提出差分进化和森林优化混合的算法．经实验验证，该算法具有良好的分类性能与稳定的收敛速度．此外，还引入一种改进的KNN代替传统的KNN作为分类器，实验结果表明改进的K最近邻算法能极大降低所提出的混合算法与森林优化算法的运行时间．Ｒeferences:［1］ZhouMi．Aresearchoffeatureselectionmethodsbasedonfisherscoreandgeneticalgorithm［D］．Guangzhou:JinanUniversity，2016．［2］JiZhi-wei，HuMin，YinJian-xin．Asurveyoffeatureselectional-gorithm［J］．ElectronicDesignEngineering，2011，19(9):46-51．［3］BabatundeO，ArmstrongL，LengJ，etal．Ageneticalgorithm-basedfeatureselection［J］．BritishJournalofMathematics＆ComputerScience，2014，5(4):889-905．［4］KennedyJ，EberhartＲ．Adiscretebinaryversionoftheparticleswarmalgorithm［C］//ProceedingsoftheIEEEInternationalCon-ferenceonComputationalCyberneticsandSimulation，


本文编号：3042102