GA在特征选择中的应用与设计研究

doi:10.3778/j.issn.1002-8331.2010.27.036

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (27): 131-134.DOI: 10.3778/j.issn.1002-8331.2010.27.036

• 数据库、信号与信息处理 • 上一篇下一篇

GA在特征选择中的应用与设计研究

何绍荣¹，朱颢东^2，3

1.四川理工学院计算机科学系，四川自贡 643000
2.郑州轻工业学院计算机与通信工程学院，郑州 450002
3.中国科学院成都计算机应用研究所，成都 610041

收稿日期:2009-04-07 修回日期:2009-06-08 出版日期:2010-09-21 发布日期:2010-09-21
通讯作者: 何绍荣

Research on application and design of GA in feature selection

HE Shao-rong¹，ZHU Hao-dong^2，3

1.Department of Computer Science，Sichuan University of Science ＆ Engineering，Zigong，Sichuan 643000，China
2.College of Computer and Communication Engineering，Zhengzhou University of Light Industry，Zhengzhou 450002，China
3.Chengdu Institute of Computer Application，Chinese Academy of Sciences，Chengdu 610041，China

Received:2009-04-07 Revised:2009-06-08 Online:2010-09-21 Published:2010-09-21
Contact: HE Shao-rong

摘要/Abstract

摘要： 从海量文本集中选择较优秀的特征子集是文本分类中的一个NP-难问题。而对于NP-问题，遗传算法往往能够有效地加以解决。为了克服传统遗传算法的“漂移”和“早敛”问题，首先引入了粗糙集并在此基础上详细设计了适应度函数、自适应交叉算子、自适应变异算子以及合理的终止条件。以此遗传算法为基础设计了一个特征选择算法。在复旦大学提供的语料库上进行了试验验证。实验结果表明此特征选择算法性能良好。

Abstract: It is a NP-question to choose more representative feature subset from massive Chinese data set in text categorization.With regard to the NP-question，genetic algorithm is often able to solve it effectively.In order to overcome "Drift" problem and” Early converges” problem of traditional genetic algorithm，this article firstly introduces rough sets and designs the fitness function，adaptive crossover operator，adaptive mutation operator and reasonable termination conditions.And then a feature selection algorithm is presented based on the designed genetic algorithm.Finally，the feature selection algorithm is validated by means of the corpus which is provided by Fudan University.Experiment results show that the proposed feature selection algorithm has good performance.

中图分类号:

TP301

何绍荣¹，朱颢东^2，3. GA在特征选择中的应用与设计研究[J]. 计算机工程与应用, 2010, 46(27): 131-134.

HE Shao-rong¹，ZHU Hao-dong^2，3. Research on application and design of GA in feature selection[J]. Computer Engineering and Applications, 2010, 46(27): 131-134.

[1]	高芳^1，2，韩璞¹，翟永杰¹. 基于变异操作的蚁群算法用于连续函数优化[J]. 计算机工程与应用, 2011, 47(4): 5-8.
[2]	赵东旭，乐晓波. 采用改进的进化策略优化模糊Petri网参数[J]. 计算机工程与应用, 2011, 47(4): 29-32.
[3]	宋小震^1，2，韩召伟¹，李永明³. 量子上下文无关文法的代数性质[J]. 计算机工程与应用, 2011, 47(4): 42-46.
[4]	黄敏镁. 粒子群算法在物流中心选址中的应用[J]. 计算机工程与应用, 2011, 47(4): 212-214.
[5]	党正军，杜中军. 基于图裁减和图搜索的工作流图验证算法[J]. 计算机工程与应用, 2011, 47(4): 226-228.
[6]	刘君^1，2，熊忠阳¹，王银辉¹. 改进型动态隧道神经网络在蛋白质预测的应用[J]. 计算机工程与应用, 2011, 47(3): 13-16.
[7]	刘琼荪，范瑞雅. 确定高斯核参数的聚类方法[J]. 计算机工程与应用, 2011, 47(3): 38-40.
[8]	韩召伟^1，2，韩召莹³. Lukasiewicz逻辑值上下文无关语言的代数刻画[J]. 计算机工程与应用, 2011, 47(3): 47-50.
[9]	戴海鹏，唐厚君. 求凸多边形直径的改进算法[J]. 计算机工程与应用, 2011, 47(3): 44-46.
[10]	李强，刘国栋. 多移动机器人的组队规划研究[J]. 计算机工程与应用, 2011, 47(2): 242-245.
[11]	陈应显. 基于模糊集的蚁群空间聚类方法研究[J]. 计算机工程与应用, 2011, 47(2): 5-7.
[12]	崔明义. 小波分解的浮点数编码遗传算法消噪变异研究[J]. 计算机工程与应用, 2011, 47(2): 35-37.
[13]	于勇¹，张亚²，郭希娟²，封雪². 基于成功回路的凹多面体的剖分算法[J]. 计算机工程与应用, 2011, 47(2): 41-42.
[14]	汪保，孙秦. 求解非线性方程组的一种并行算法[J]. 计算机工程与应用, 2011, 47(2): 49-51.
[15]	林时来，刘光远，张慧玲. 蚁群算法在呼吸信号情感识别中的应用研究[J]. 计算机工程与应用, 2011, 47(2): 169-172.

GA在特征选择中的应用与设计研究

Research on application and design of GA in feature selection

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