基于優(yōu)化野草算法的加權模糊粗糙特征選擇研究.pdf

1、特征選擇是一種用來降低數(shù)據(jù)集維度的技術，其核心是從輸入的特征集合中選擇出最具有預測性的特征子集來代表原始數(shù)據(jù)集合。特征選擇不僅可以簡化特征內(nèi)在的關系還可以改善整體集合的預測能力。目前，許多學者針對模糊粗糙集的特征選擇進行了大量的研究，其中比較常見的有，遺傳算法、蟻群算法(ACO)、粒子群算法(PSO)等。這些算法在魯棒性和求解能力等方面均表現(xiàn)優(yōu)秀，并且它們的共同特點是只有最優(yōu)秀的個體才能有機會被提取出來。然而，某些初始依賴度值低的個體有

2、可能帶有重要信息，因此上述這些算法可能會導致重要信息丟失。
　　針對以上問題，本文研究了野草算法的特點并且發(fā)現(xiàn)其特點能使模糊粗糙特征選擇更加全面。野草算法認為初始依賴度值低的個體有可能帶有重要信息，因而賦予初始依賴度值低的個體一定的存活機會。該算法早期能夠維持特征種群多樣性而在后期能夠保證最優(yōu)解的選擇優(yōu)勢。
　　因此，本文首先將野草算法的特點和模糊粗糙集理論相結合，繼而提出了基于優(yōu)化野草算法的加權模糊粗糙特征選擇算法并對其進

3、行編程實現(xiàn)。其次，利用基于模糊粗糙集的快速屬性約簡算法來驗證特征選擇結果。最后，將算法模型應用于十四類基準數(shù)據(jù)集和四類具有現(xiàn)實背景意義的乳腺造影數(shù)據(jù)集進行特征選擇，并且將本文算法的特征選擇結果與其他兩個算法（蟻群算法和粒子群算法）的特征選擇結果分別從分類精度和AUC值兩個方面做出對比分析。數(shù)據(jù)分析結果表明，基于本文算法得到的大部分特征選擇結果可以很好地代表原始數(shù)據(jù)集并且整體性能優(yōu)于蟻群算法和粒子群算法。同時，這也證明了本文算法具有現(xiàn)實研