改进遗传算法和支持向量机的特征选择算法

doi:10.3778/j.issn.1002-8331.2009.29.008

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (29): 28-30.DOI: 10.3778/j.issn.1002-8331.2009.29.008

改进遗传算法和支持向量机的特征选择算法

杜卓明¹，冯静²

1.西北大学信息科学与技术学院，西安 710127
2.武汉理工大学计算机学院，武汉 430064

收稿日期:2009-06-08 修回日期:2009-08-25 出版日期:2009-10-11 发布日期:2009-10-11
通讯作者: 杜卓明

Support vector machine feature selection algorithm based on modified genetic algorithm

DU Zhuo-ming¹，FENG Jing²

1.School of Information Science and Technology，Northwest University，Xi’an 710127，China
2.College of Computer，Wuhan University of Technology，Wuhan 430064，China

Received:2009-06-08 Revised:2009-08-25 Online:2009-10-11 Published:2009-10-11
Contact: DU Zhuo-ming

摘要/Abstract

摘要： 提出了一种基于改进遗传算法的特征选择算法。该算法以支持向量机分类器的识别率作为特征选择的可分性判据，对传统遗传算法的交叉和选择操作进行了改进，实现了指定数目的特征选择。而且算法在特征选择的过程中，还同时优化了支持向量机分类器的两个参数。实验数据的特征选择实验表明，提出的算法仅以损失2.7%识别率的代价，得到的特征维数却是传统遗传算法的1/5，极大地简化了分类器设计的复杂度。

关键词: 特征选择, 支持向量机, 遗传算法

Abstract: A novel Support Vector Machine（SVM） feature selection algorithm is proposed based on modified genetic algorithm.The recognition rate of SVM is used as separability criterion，and the crossover and mutation operation of traditional Genetic Algorithm（GA） are modified in the proposed algorithm.Two parameters of SVM are optimized during feature selecting.The results of experiment show that，the novel algorithm losses the recognition rates of 2.7 percent，but the length of feature vector is one fifth of traditional ones，and simplifies the complexity of classifier.

Key words: feature selection, support vector machine, genetic algorithm

中图分类号:

TP75

杜卓明¹，冯静². 改进遗传算法和支持向量机的特征选择算法[J]. 计算机工程与应用, 2009, 45(29): 28-30.

DU Zhuo-ming¹，FENG Jing². Support vector machine feature selection algorithm based on modified genetic algorithm[J]. Computer Engineering and Applications, 2009, 45(29): 28-30.

[1]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[2]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[3]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[4]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[5]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[6]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[7]	李昱奇，刘志乾，程凝怡，王莹莹，朱春丽. 多约束条件下无人机航迹规划[J]. 计算机工程与应用, 2021, 57(4): 225-230.
[8]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[9]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[10]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[11]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[12]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[13]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[14]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[15]	曹立佳，刘洋. 制造车间自动导引车调度新进展[J]. 计算机工程与应用, 2021, 57(21): 59-67.

改进遗传算法和支持向量机的特征选择算法

Support vector machine feature selection algorithm based on modified genetic algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics