卢阳的开题报告.docVIP

燕 山 大 学 本科毕业设计（论文）开题报告 课题名称：基于粒子群优化的特征选择的研究 学院（系）： 信息科学与工程学院 年级专业： 08级通信工程4班 学生姓名： 卢 阳 指导教师： 孙洁娣 完成日期： 2012年3月28日 一、综述本课题国内外研究动态，说明选题的依据和意义 在科学技术飞速发展的今天，模式识别技术迅速扩展，已经应用在人工智能、机器人、系统控制、遥感数据分析、生物医学工程、军事目标识别等领域，几乎遍及各个学科领域，成为当代高科技研究的重要领域之一，发展成为一门独立的新学科。如何确定合适的特征空间是设计模式识别系统中的一个十分重要，甚至更为关键的问题，因为从一个样品得到的数据量往往是相当大的。例如，一个图像中往往有几十万个数据，而一个卫星云图的数据量更多，为了对样品进行准确的识别，需要进行特征选择。针对高维数据对象（如基因表达数据）的特征选择，一方面可以提高分类的精度和效率，另一方面可以找出富含信息的特征子集，如发现与疾病相关的重要基因。 特征选择中的搜索方法大致分为3种：最优搜索方法，次优的搜索方法和启发式搜索方法。其中启发式搜索时一个基于直观或者说经验构造的算法，可在指定的时间和空间下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度不一定事先可以预计。启发式搜索包括遗传算法、蚁群算法和粒子群算法等。 遗传算法是由美国的J.Holland教授于1975年首先提出的，其主要特点是直接对结构对象进行操作，具有隐含的并行性和更好的全局优化能力，可自适应的调整搜索方向。但是它在搜索最优子集是容易早熟而且运算较为复杂。1992年Marco Dorigo在他的博士论文中提出了蚁群算法，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。其复杂性低于遗传算法并且涵括遗传算法的优点。粒子群算法（Particle Swarm Optimization,缩写为PSO）是1995 年由博士和博士提出，源于对鸟群捕食的行为研究 。PSO 基于特征选择在各个领域的应用取得的良好效果，以及目前科技发展在特征选择方面的迫切需求。我们将研究基于粒子群优化算法的特征选择以获取较优的特征子集。 二、研究的基本内容，拟解决的主要问题 特征选择的基本任务是从含有大量特征的数据中选择很少的一部分与分类结果有关的特征，消冗余属性，降低问题规模。一般特征选择算法必须确定搜索起点和方向、搜索策略、特征评估函数和停止标准4个要素。在实际应用中，利用粒子群优化特征子集的关键在于编码和适应度函数的选择。编码要根据问题的实质来确定，适应度函数则体现了实际问题和优化算法之间的联系。 1.本次毕业设计需要研究的基本内容 （1）大概了解模式识别的相关内容，重点掌握特征选择相关的知识。 特征选择的主要研究目的在于利用计算机对物理对象进行分类，在错误概率最小的条件下，使识别的结果尽量于客观事物相符合。图1为特征选择的流程图。 图1 特征选择流程图 （2）学习掌握特征选择算法的两种模型,学会用他们解决实际问题 评价标准在特征选择过程中扮演着重要角色，它是特征选择的依据。按特征选择评价策略划分，可将特征选择分为封装式（Wapper）数据库是加州大学欧文分校()提出的用于机器学习的数据库，这个数据库目前共有187个数据集，其数目还在不断增加，UCI数据集是一个常用的标准测试数据集。 图（2） 粒子群算法流程图 粒子群算法可描述为：设粒子群在一个n维空间中搜索，有m个粒子组成粒子群，其中每个粒子的位置都表示问题的一个解。粒子通过不断调整自己的位置来搜索新解。每个粒子都记住自己搜索到的最好解，，记做，以及整个粒子群经历过的最好的位置，及目前搜索到的最优解，记做。此外，每个粒子都有一个速度，记做,当两个最优解都找到后，每个粒子根据式(1)来更新自己的速度，根据式（2）来更新自己的位置。 （1） （2） 其中,表示第个粒子在t+1次迭代中在第d维上的速度，为惯性权重，，为加速常数，为0~1之间的随机数。此外，为使粒子速度不致过大，可设置速度上限，即当式（1）中时，；时，。 2.基于粒子群算法实现的关键步骤 确定目标函数 目标函数的确定很重要，首先它们反映了要解决的实际问题，通过将实际问题转化成数学模型得到目标函数；其次，只有在目标函数确定过后才能确定个体的适应度并得到个体的优劣排序，然后进行相应的选择、淘汰操作。特征选择的两个准则是：最小化特征