基于离散粒子群优化算法的高维数据特征选择分类方法研究

发布时间：2024-09-28 19:33

　　在信息时代,机器学习算法通常需要处理大量高维数据。数据的维度高意味着其含有大量的特征,这通常给模型的建立带来困难,例如分类问题或回归任务。高维数据中有大量特征是不相关或冗余的,它们对训练模型的性能产生负面的影响。为了解决这一问题,特征的选择问题得到了广泛关注,其旨在通过选择更小的特征子集来提高分类测试的准确性。特征选择是一个组合优化问题,而粒子群优化算法作为一个全局寻优的进化计算技术,在特征选择问题得到了广泛使用。除此之外,离散化技术也是特征选择预处理阶段的重要手段,通过离散化技术,可以忽略数据集中特征的微小波动和噪声。因此,本文对离散化粒子群优化算法在特征选择问题上的应用进行了深入研究分析。本文的主要研究工作包括以下三点:1)分析高维数据的特征冗余问题,阐明了特征选择的关键性与必要性。分析了近年来国内外基于离散粒子群优化的特征选择算法的研究成果,总结出三大类典型离散化的方法。着重介绍了基于二进制和基于切点这两种离散化方法,并分析其在结合基于粒子群优化算法的特征选择问题上的优势与不足。2)通过分析离散二进制粒子群优化算法容易陷入局部最优、粒子探索能力较弱和计算开销太大等问题,本文提出了一...

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要贡献
    1.4 本文组织结构
第2章 基础理论
    2.1 引言
    2.2 特征选择
        2.2.1 特征选择的基本概念
        2.2.2 特征选择的一般过程
        2.2.3 过滤器与包装器特征选择
    2.3 粒子群优化算法
        2.3.1 进化计算与群体智能
        2.3.2 粒子群优化算法
    2.4 离散化方法
    2.5 常见离散粒子群优化算法的特征选择方法
        2.5.1 基于离散二进制粒子群优化特征选择方法
        2.5.2 基于粒子群优化的特征离散化与选择方法
    2.6 本章小结
第3章 改进的离散二进制粒子群优化特征选择方法
    3.1 引言
    3.2 信息论
    3.3 方法提出
        3.3.1 特征预处理
        3.3.2 粒子更新操作
        3.3.3 自适应机制的惯性权重
        3.3.4 pbest与 gbest的更新方法
        3.3.5 适应度函数设计
    3.4 实验设计
        3.4.1 交叉验证
        3.4.2 K最近邻分类器
        3.4.3 数据集介绍
        3.4.4 参数设置
        3.4.5 算法总览
    3.5 实验结果与分析
    3.6 本章小结
第4章 改进的基于粒子群优化的特征离散化与选择方法
    4.1 引言
    4.2 Relief F算法
    4.3 切点的生成
    4.4 方法提出
        4.4.1 数据集预处理
        4.4.2 粒子的编码与解码
        4.4.3 基于切点的离散化
        4.4.4 适应度函数设计
        4.4.5 粒子更新操作
        4.4.6 局部搜索策略
    4.5 实验与分析
        4.5.1 实验设置
        4.5.2 算法总览
        4.5.3 实验结果与分析
    4.6 本章小节
第5章 总结与展望
参考文献
指导教师对研究生学位论文的学术评语
学位论文答辩委员会决议书
致谢
攻读硕士学位期间的研究成果



本文编号：4006250