典型文献
基于粗糙超立方体和离散粒子群的特征选择算法
文献摘要：
特征选择指在保持数据分类性能不变的同时,选出不含冗余特征的特征子集.粗糙超立方体方法可从特征相关度、依赖度和重要度这3方面对特征子集进行综合评估,已成功用于特征选择.特征子集组合的计算是一个NP?难问题,而传统的前向搜索策略只能得到局部最优结果.因此,本文设计了一种新的离散粒子群优化与粗糙超立方体方法相结合的算法.该算法首先引入相关度用以生成一组粒子,然后对粗糙超立方体方法的目标函数改进后作为优化函数,最后由粒子群迭代优化,找到最优的特征子集.实验结果表明,相比传统粗糙超立方体方法和采用粒子群优化的粗糙集方法,本文算法能够得到具有更小特征数量和更高分类性能的特征子集.
文献关键词：
粗糙集;特征选择;组合优化;粗糙超立方体;离散粒子群
中图分类号：
作者姓名：
王思朝;罗川;李天瑞;陈红梅
作者机构：
四川大学计算机学院,成都 610065;西南交通大学计算机与人工智能学院,成都 611756
文献出处：
引用格式：
[1]王思朝;罗川;李天瑞;陈红梅-.基于粗糙超立方体和离散粒子群的特征选择算法)[J].数据采集与处理,2022(03):668-679
A类：
粗糙超立方体
B类：
特征选择算法,保持数据,数据分类,分类性能,冗余特征,特征子集,相关度,依赖度,重要度,功用,算是,NP,向搜索,搜索策略,局部最优,离散粒子群优化,优化函数,迭代优化,粗糙集,特征数,组合优化
AB值：
0.247333
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
