• <span id="pfyta"><output id="pfyta"><strike id="pfyta"></strike></output></span><span id="pfyta"><output id="pfyta"><nav id="pfyta"></nav></output></span>
    <span id="pfyta"><blockquote id="pfyta"></blockquote></span>
  • <optgroup id="pfyta"></optgroup><track id="pfyta"><em id="pfyta"></em></track>
    科學研究
    首頁 >> 科學研究 >> 科研動態 >> 正文
    信控學院宋賢芳博士、張勇教授、鞏敦衛教授在高維進化特征選擇方面取得進展

    隨著物聯網和大數據等新興技術和應用模式的快速發展,人類社會所獲得數據的屬性(或稱特征)規模正以前所未有的速度增長。這其中,冗余和不相關特征的存在不僅會降低算法的學習速度,而且將明顯影響其準確度。特征選擇的目的是,從數據集的所有特征中選出部分特征構成一個最優特征子集,在減少學習代價的同時使設定的性能指標達到最優。然而,在處理高維數據時,現有大部分進化特征選擇方法依然存在“維數災難”和計算代價高等問題。

    近日,信控學院智能優化與控制課題組宋賢芳博士、張勇教授和鞏敦衛教授在該領域取得研究進展,提出了一種三階段快速混合特征選擇框架,即過濾-聚類-封裝式進化框架,研究成果形成了論文“A fast hybrid feature selection based on correlation-guided clustering and particle swarm optimization for high-dimensional data”,該論文以中國礦業大學為第一單位,發表在中科院一區期刊《IEEE Transactions on Cybernetics》(IF: 11.079)。論文第一作者為宋賢芳博士,通訊作者為張勇教授和鞏敦衛教授。

    該框架將特征選擇過程分為功能互補的三個階段。第一階段,給出一種代計算代價低的自適應過濾式特征選擇方法,以刪除不相關或弱相關的特征;第二階段,提出一種相關性引導的快速特征聚類策略,將相似或相冗余特征劃分到一個特征類,以減少后續粒子群的搜索空間;第三階段,設計一種改進的整數粒子群優化算法,從每個特征類中同時選擇最具代表性的特征,以形成最終的特征子集。該框架不僅可以明顯縮減后續封裝式進化方法的搜索空間,避免“維數災難”,而且能夠降低算法的計算代價;提出的快速特征聚類策略,不僅可以合理歸類相似特征,縮減后續粒子群的搜索空間,而且能夠顯著降低特征相關性的計算次數;設計的種群初始化算子和自適應擾動算子,進一步提升了粒子群優化算法的搜索性能。

    該成果首次為高維進化特征選擇問題提出一種有效的三階段快速混合特征選擇算法。在多個典型實際數據集上的應用表明,所提方法能夠有效克服現有方法面臨的“維數災難”和計算代價高的問題,是處理高維特征選擇問題的強有力工具。


    上一篇:信控學院碩士研究生張蘊琪在智能反射體通信方面取得進展

    下一篇:信控學院碩士研究生張蘊琪在隱蔽通信方面取得進展

    掃碼關注
    天天爱天天做天天爽2021