混合互信息和粒子群算法的多目标特征选择方法

发布时间：2023-01-13 17:47

　　在数据挖掘中,由于数据集中含有大量的冗余和不相关的特征,因此特征选择是一个重要的预处理过程。提出了一个基于混合互信息和粒子群算法的过滤式-封装式的多目标特征选择方法（HMIPSO）。根据粒子的pbest距离上次更新的迭代次数,提出了自适应突变策略去扰动种群,避免种群陷入局部最优。同时基于帕累托前沿面和外部文档提出了一个新的集合概念。结合互信息和新的集合知识提出了一个局部搜索策略,使得帕累托前沿面中的粒子可以删除不相关和冗余的特征,然后通过精英策略更新学习前和学习后的帕累托前沿面。最后将提出的算法和另外4种多目标算法在15个UCI数据集上进行了测试,实验结果表明提出的算法能够更好地降低特征个数和分类错误率。 

【文章页数】：13 页

【文章目录】：
1 引言
2 背景介绍
    2.1 PSO算法
    2.2 互信息
    2.3 多目标优化
    2.4 特征选择
3 基于混合PSO和MI算法的多目标特征选择方法
    3.1 基于互信息方法的局部学习策略
        3.1.1 外部文档和非支配面的集合概念
        3.1.2 基于互信息的插入删除操作
        3.1.3 精英策略
    3.2 自适应突变操作
    3.3 gbest的选取
    3.4 Archive的更新
    3.5 种群的编码、解码与评价
4 实验设计和结果分析
    4.1 数据集和实验参数设置
    4.2 实验结果分析
        4.2.1 HMIPSO对分类的影响
        4.2.2 HMIPSO、CMDPSO和MOPSO之间的比较
        4.2.3 HMIPSO、NSGA-II和BMOABC之间的比较
5 结束语


【参考文献】：
期刊论文
[1]人工蜂群算法优化的特征选择方法[J]. 巢秀琴,李炜.  计算机科学与探索. 2019(02)



本文编号：3730588