没有合适的资源?快使用搜索试试~ 我知道了~
首页异步并行微粒群优化提升特征子集选择效率
本文主要探讨了一种用于特征子集选择的异步并行微粒群优化方法(AP-PSO),针对在模式分类中大量无关或冗余特征可能导致分类器性能下降的问题,提出了创新的解决方案。AP-PSO算法的核心在于利用二进制微粒群优化技术来搜索最优的特征子集,这种方法旨在通过异步并行的方式显著提升算法的运算效率,以适应大规模数据处理的需求。 异步并行处理策略允许每个微粒在不同时间步执行独立的操作,这不仅提高了算法的并行度,还能避免同步更新带来的计算瓶颈,从而在保持算法收敛性的同时,实现了更高效的搜索过程。这种方法在处理高维特征空间时具有明显的优势,因为并行计算可以减少计算复杂度,加快搜索速度。 在微粒群优化过程中,作者特别设计了一种一致混沌变异算子。混沌运动以其遍历性和随机性被有效利用,以增强种群的全局探索和局部开发能力。混沌变异能够引入更多的多样性,防止算法陷入局部最优,确保搜索到更全面、高质量的特征子集。 为了验证AP-PSO的有效性,文章将这种新方法与已知的4种特征子集选择方法进行了对比实验。实验结果显示,AP-PSO在保持或甚至提高分类精度的同时,显著提高了运行效率,证明了其在实际应用中的优越性能。 本文的贡献在于提出了一种结合异步并行、混沌变异和微粒群优化的特征子集选择策略,这不仅对于提升模式分类的性能具有实际意义,也为其他领域的优化问题提供了新的思考方向。通过对比实验和理论分析,AP-PSO方法展示了其在处理高维、复杂特征集时的实用性和有效性,是解决特征选择问题的一个有力工具。
资源详情
资源推荐
第 27 卷 第 7 期
Vol. 27 No. 7
控 制 与 决 策
Control and Decision
2012 年 7 月
Jul. 2012
用于特征子集选择的异步并行微粒群优化方法
文章编号: 1001-0920 (2012) 07-0967-08
孔莉芳
1,2
, 张 虹
1
(1. 中国矿业大学 信息与电气工程学院,江苏 徐州 221116;2. 徐州空军学院 基础部,江苏 徐州 221002)
摘 要: 针对大量无关或冗余的特征通常会降低模式分类中分类器性能的问题, 提出一种基于异步并行微粒群优
化的特征子集选择方法 (AP-PSO). 该方法采用二进制微粒群优化搜索特征子集, 利用异步并行方式提高算法的运算
效率; 为有效协调种群的全局探索和局部开发能力, 充分利用混沌运动的遍历性和随机性, 提出一种一致混沌变异算
子. 与已知 4 种特征子集选择方法进行比较, 所得结果验证了该算法的有效性.
关键词: 特征子集选择;微粒群优化;混沌变异;异步并行
中图分类号: TP183 文献标识码: A
Asynchronous parallel particle swarm optimizer for feature subset
selection
KONG Li-fang
1,2
, ZHANG Hong
1
(1. School of Information and Electrical Engineering,China University of Mining and Technology,Xuzhou 221116,
China;2. Department of Basic Teaching,Xuzhou Air Force College,Xuzhou 221002,China.Correspondent:KONG
Li-fang,E-mail:klf030@163.com)
Abstract: In pattern classification system, many irrelevant and redundant features will lessen the performance of classifiers.
Therefore, a feature subset selection method based on asynchronous parallel particle swarm optimization algorithm is
proposed. This algorithm uses the binary particle swarm optimization to select feature subsets, and takes advantage of
asynchronous parallel strategy to enhance time efficiency. In order to balance effectually the global exploration and the
local exploitation of swarm, an uniform chaos mutation also is proposed by making the best use of the ergodicity, stochastic
property and regularity of chaos. By compared with four known feature selection methods, the results show the effectiveness
of the proposed algorithm.
Key words: feature subset selection;particle swarm optimization;chaos mutation;asynchronous parallel
1 引引引 言言言
特征子集选择是模式分类和数据挖掘领域的重
要数据处理方法. 在某些模式分类系统中, 输入的数
据对象往往含有大量的特征, 但是其中只有少部分特
征与分类密切有关. 大量无关或冗余特征的存在, 一
方面, 势必会大大增加系统学习及训练的时间; 另一
方面, 可能导致分类或聚类精度的降低. 因此, 在对高
维数据进行分类时, 需要运用特征选择算法找到具有
较好可分性的特征子集, 实现降维, 从而达到降低机
器学习的时间和空间复杂度的效果
[1]
. 简单而言, 特
征子集选择是从一组 𝑁 个特征中按一定的选择标准,
选择出一组由 𝑛(𝑛 < 𝑁) 个特征组成的特征子集. 该
子集具有比特征全集更好或者和特征全集一样的分
类功能
[2]
.
处理特征子集选择问题时, 已有方法大体可以分
为两类: 过滤算法和封装算法. 两类算法最大的区别
是, 在应用分类器之前过滤算法已完成特征子集的选
择. 利用不同特征的统计数据, 过滤算法从特征集合
中不断删除不重要的特征. 除计算效率以外, 利用过
滤算法时依然存在很多的争议. 例如, 某些过滤算法
在利用通用的选择策略产生问题的特征子集时, 未考
虑采用机器学习方法
[3]
. 封装算法是一类基于迭代搜
索的特征选择方法, 在定义分类算法、性能测度和搜
索策略之后, 该类算法采用迭代搜索策略在整个特征
收稿日期: 2011-01-12;修回日期: 2011-06-02.
基金项目: 国家自然科学基金项目(61005089);高等学校博士学科点专项科研基金项目(20100095120016);江苏省自
然科学基金项目(BK2011215).
作者简介: 孔莉芳(1972−), 女, 讲师, 博士, 从事数据挖掘、故障诊断等研究;张虹(1942−), 女, 教授, 博士生导师, 从事
图像处理、软件工程等研究.
下载后可阅读完整内容,剩余7页未读,立即下载
weixin_38735182
- 粉丝: 5
- 资源: 920
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- OptiX传输试题与SDH基础知识
- C++Builder函数详解与应用
- Linux shell (bash) 文件与字符串比较运算符详解
- Adam Gawne-Cain解读英文版WKT格式与常见投影标准
- dos命令详解:基础操作与网络测试必备
- Windows 蓝屏代码解析与处理指南
- PSoC CY8C24533在电动自行车控制器设计中的应用
- PHP整合FCKeditor网页编辑器教程
- Java Swing计算器源码示例:初学者入门教程
- Eclipse平台上的可视化开发:使用VEP与SWT
- 软件工程CASE工具实践指南
- AIX LVM详解:网络存储架构与管理
- 递归算法解析:文件系统、XML与树图
- 使用Struts2与MySQL构建Web登录验证教程
- PHP5 CLI模式:用PHP编写Shell脚本教程
- MyBatis与Spring完美整合:1.0.0-RC3详解
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功