导读:本文包含了参数选择与特征选择论文开题报告文献综述及选题提纲参考文献，主要关键词:电能质量,S变换,特征选择,参数优化
参数选择与特征选择论文文献综述
王仁明,汪宏阳[1]（2019）在《基于IA-PNN的电能质量复合扰动特征选择及参数优化》一文中研究指出提出了一种基于S变换(ST)和免疫算法(IA)优化的概率神经网络(PNN)算法的电能质量复合扰动特征选择和参数优化混合方法。首先,引入了线型判别分析(LDA),将其最优方向作为特征权重对基于ST提取的原始特征进行降序重排,通过将特征选择过程线性化以方便进行优化;其次,基于特征选择和PNN窗宽调节因子的优化需要,改进了IA的亲和度计算方法;最后,使用改进后的IA进行PQD信号特征选择和PNN参数混合优化,并依据结果重构了IA-PNN分类器,并对含随机噪声PQD信号进行分类。试验结果证明,相比原PNN分类器,优化后的IA-PNN的分类精度得到了有效提高,同时总运行时间得到了降低,与DT和KNN相比,IA-PNN在性能上均有一定优势,体现出了新方法的有效性。(本文来源于《电力与能源》期刊2019年05期）
宋丽,张震雷,杨新凯[2]（2019）在《一种基于云模型的特征选择参数优化研究》一文中研究指出常用特征选择方法面临着特征子集空间大小难以确定的问题,取不同的k值,它们的分类效果是相差很大的。粒子群优化算法存在收敛快、获得的是局部最优值而不是全局最优值的问题。针对上述问题,结合云模型的理论知识,提出一种基于云模型的特征选择方法。该算法的适应度函数是通过精确率这一评价指标计算的,将权重分为叁个类别来动态确定惯性权重。采用模糊期望交叉熵对原始的特征子集空间进行预选,将预选后的特征子集作为原始特征空间采用改进的特征选择方法,根据模糊期望交叉熵的大小来初始化粒子的种群数及采用迭代变化的阈值作为控制算法的结束条件。实验结果证明了该方法的有效性和可行性。(本文来源于《计算机技术与发展》期刊2019年03期）
刘凯[3]（2018）在《随机森林自适应特征选择和参数优化算法研究》一文中研究指出随机森林算法(Random Forest)是机器学习领域中一种普适性良好的数据挖掘方法。它在决策树算法的理论之上结合bootstrap重采样方法,集合多个单树型分类器,最后结果通过投票的策略进行分类和预测。随机森林算法具有理论易理解、调整的参数较少、抗噪声能力强,最重要的是在实际的应用中分类性能非常高和不容易过拟合等特性。随机性能良好以及不需要样本背景知识的性能让其在很多领域得到了广泛的实际应用,为此许多研究学者对随机森林进行了广泛的研究和改进。本文在分析国内外相关研究发现,随机森林算法的特征选择具有随意性,会导致忽略特征对类别的重要性以及特征与特征之间的相关性,同时随机森林的参数选择很难学习出最优参数组合并且参数选择过程效率很低。本文针对以上问题,从不同的视角在随机森林的特征选择和参数选择上做了一系列的探索和研究工作。本文首先对随机森林算法的综述进行阐述,分析了随机森林算法的随机性机制、性能指标以及存在的问题。然后针对随机森林算法特征选择的随机性,提出了自适应特征选择分类算法SARFFS,该算法首先利用卡方检验样本间关联程度后自助采样,并设计出一种特征对类代表强弱程度的计算方法;然后引入自适应稀疏约束机制Group LASSO优化特征的选择,进而解决了随机森林选择特征时的局限性;,该方法首先从粒子群的学习因子和粒子的位置对粒子群进行改进。针对粒子运动轨迹不同阶段的不同需求,基于学习因子提出了一种基于反正弦调整因子的策略。针对传统的PSO算法在更新粒子位置时,没有考虑到每次迭代过程中上下文对粒子的影响,本文对PSO算法的递推方程进行迭代更新,提出了新的递推公式,从而提高了算法的寻优能力。(本文来源于《长春工业大学》期刊2018-06-01）
张文兴,陈肖洁[4]（2018）在《核极化优化多参数高斯核的特征选择算法》一文中研究指出为了解决支持向量机中多特征样本的特征选择问题,鉴于多参数高斯核中的多参数的不同取值可以区分和体现样本中各个特征的重要性差异,在深入分析核极化的几何意义和多参数高斯核特点的基础上,提出了基于核极化梯度优化多参数高斯核的特征选择算法。首先,利用核极化的梯度迭代算法来寻求多参数高斯核的最优多参数值,然后,以优化的多参数大小为基准,进行样本特征的重要性程度强弱标定,进而,采用特征重要性指标来执行SVM的特征选择。最后,将选择出的样本特征子集应用于SVM分类器中。UCI数据的实验结果表明,相较于PCA-SVM、KPCA-SVM和经典SVM方法,所提出算法的分类正确率更高,验证了核极化与多参数模型特征选择算法的有效性。(本文来源于《机械设计与制造》期刊2018年05期）
罗浪[5]（2018）在《基于多宽度高斯核的支持向量机参数优化与特征选择算法研究》一文中研究指出支持向量机(SVM)是由统计学习理论发展而来的一种被广泛使用的机器学习分类算法,但是在具体问题中核函数及其参数的选择是决定支持向量机泛化能力的关键因素。本文通过引入泛化能力更强的多宽度高斯核函数(Gaussian Kernel with Multiple Widths,GKMW)取代传统的高斯核函数,以此改善高斯核的单宽度性会限制支持向量机泛化规模的问题。对于多宽度高斯核的参数优化问题,传统的梯度算法存在着对初值过分依赖且容易陷入局部最优等不足,因此本文采用进化算法基因表达式编程(GEP)对该问题进行寻优,基因表达式编程因其更易跳出局部最优等特点近年来被广泛使用在多值优化问题上。同时为了进一步加快寻参速度本文设立一个基于多宽度高斯核的类别分散程度测量准则(GCSC),并将其引入到GEP的适应度函数中,解决原适应度函数需要耗费大量时间训练SVM的问题,在此基础上提出一种改进后的基因表达式编程优化算法——GEPCS算法,以此降低参数优化的计算开销提高运行效率。本文的主要研究内容如下:1.由于多宽度高斯核函数的参数优化实质上是一个多峰组合优选问题,因此相较于传统的梯度算法更适宜于采用进化计算的方式进行寻优。本文首先设立一个基于多宽度高斯核的类别分散程度测量准则(GCSC),该准则可以确定在固定的参数组合下相对应的特征空间中类别之间的分散程度,以此作为参数组合的寻优方向,并将该准则引入到基因表达式编程(GEP)算法中对原适应度函数公式进行改进,解决原适应度函数需要耗费大量时间训练SVM的问题,在此基础上提出一种改进后的基因表达式编程优化算法——GEPCS算法,在解决多宽度高斯核参数优化问题的同时提高算法运行效率。2.面对大数据时代下庞杂的数据规模,支持向量机在处理大规模数据时经常会遇到含有冗余或不相关特征的数据集,为了进一步地提高支持向量机的分类性能,本文根据多宽度高斯核函数不仅能体现各个特征对分类的贡献程度不相同,而且能区分样本中各个特征重要性的特点,以上文多宽度高斯核参数优化的结果为基础,提出一种基于多宽度高斯核的支持向量机特征选择算法,以此降低特征空间的复杂度提高分类性能。3.本文将GEPCS算法应用在标准的UCI数据集上进行支持向量机分类实验,在验证了本文参数优化算法可行性与有效性的基础上通过与传统的参数优化方法进行对比实验,结果表明本文提出的GEPCS算法能找到最优参数组合使得支持向量机的分类准确率接近或超过分类数据集的理论精度,且本文方法相比具有寻参时间更短的优势。同时在参数优化结果的基础上对数据集进行特征选择,实验结果表明本文的特征选择算法能够进一步地提高支持向量机的分类性能,为支持向量机搭配多宽度高斯核时参数的优化及特征的选择提供了一种新的、高效的方法。(本文来源于《中南民族大学》期刊2018-03-01）
沈永良[6]（2018）在《基于改进烟花算法的SVM特征选择和参数优化的研究》一文中研究指出随着互联网的飞速发展,计算机网络以其快速开放式、自由任意传播信息的特点给人们带来了极大的便利,与此同时用户在共享资源时却不得不面对隐私保护问题,尤其是近几年电子商务和电子政务等应用的推广,使得网络安全成为各大公司和研究机构关注的重点。谈到网络安全,公众首先想到的就是防火墙、访问控制等技术。然而这些技术具有一定的局限性,主要缺点是不能良好地防御来自网络内部的攻击,实际上几乎一半的严重攻击和入侵都来自内部用户。入侵检测技术为了弥补这一缺陷被提了出来,其逐渐成为网络主动安全防御的重要组成部分。传统的入侵检测系统(Intrusion Detection System,IDS)普遍存在性能不足、效率底下等问题,选择合适的算法、设计高效率的入侵检测模型,已成为网络安全领域研究的热点。针对以上入侵检测方法中存在的问题,本文首先提出了一种基于改进烟花算法的SVM特征选择和参数优化的模型。支持向量机(Support Vector Machine,SVM)是通过寻求结构风险最小化来实现实际风险最小化的机器学习算法,其目标是追求在有限信息的条件下得到最优结果。它通过构建非线性映射模型,有效地解决了高维度、非线性及小样本问题。但是其模型参数(如惩罚因子、核函数参数)和特征选择对分类性能有着很大的影响,且很多研究都是从特征选择算法或SVM参数优化的单一角度出发以提高分类性能的,却没有考虑到特征子集与支持向量机之间的内在联系,从一定程度上限制了检测效果的提升。本文结合特征选择问题的0-1特性,利用改进的二进制烟花算法对特征数据集和SVM参数进行组合寻优,将特征集及SVM参数看作是二进制烟花算法中的烟花个体进行组合编码,通过组合优化策略,确保了在选取尽可能少的特征数目的同时提高了分类准确率。最后在通过UCI数据仿真实验验证上述算法有效性的基础上,本文重新构建了一种基于改进烟花算法和SVM相融合的入侵检测模型。在构建入侵检测模型过程中,本文在数据预处理阶段通过数值化和归一化操作有效地处理了KDD99样本中存在一些离散、连续型和字符串型数据。之后利用检测率、误报率和相关系数作为模型性能的评估标准,将本文提出的模型分别与仅优化SVM参数、联合优化特征子集与支持向量机参数和分步优化特征子集与支持向量机参数叁种相似的网络入侵检测模型进行了性能对比,结果表明提出的入侵检测模型具有更好的检测性能和良好的学习能力。(本文来源于《安徽大学》期刊2018-03-01）
沈永良,宋杰,万志超[7]（2018）在《基于改进烟花算法的SVM特征选择和参数优化》一文中研究指出本文提出了一种改进的基于烟花算法的SVM特征选择和参数优化算法.该算法针对特征选择问题的0-1特性,使用二进制编码的烟花算法,采用基于RBF核函数的SVM,在选取尽可能少的特征数目的同时提高了分类准确率.通过UCI数据仿真,对比结果表明:该方法避免了过早成熟而陷入局部最优的问题,可有效地找出合适的特征子集及SVM参数,并取得较好的分类效果.(本文来源于《微电子学与计算机》期刊2018年01期）
张哲[8]（2017）在《基于改进引力搜索算法的SVM参数优化和特征选择》一文中研究指出随着计算机和互联网的全面普及,数据库技术以及相关的数据采集、数据存储技术的高速发展,各行各业中数据分析需求越来越多数据,挖掘技术扮演着越来越重要的角色。随着计算机相关技术的进一步发展,大数据时代到来,数据的规模越来越大维度越来越高,在这些大规模高维数据中并非所有的数据都是有用的信息,其中存在着大量冗余的、无关的特征,给当前数据挖掘技术带来了巨大挑战。这时,数据降维就显得非常必要。而特征选择作为一种降维方法也成为数据挖掘的研究热点,发展迅速。本文介绍了特征选择的一般过程、相关搜索策略和优化算法,并分析了特征选择的研究现状和主要研究方向。根据支持向量机(SVM)分类器的优点,采用SVM特征选择,并提出一种改进的引力搜索算法(GBGSA)用于特征子集的搜索,并对SVM进行参数同步优化,构建一个基于改进引力算法的SVM特征子集选择系统。首先,介绍了 SVM和几种群智能算法的基本原理,并介绍了利用群智能算法对SVM进行参数优化和特征选择方法。然后,详细地介绍了引力搜索算法(GSA),以及在二进制空间中的二进制引力算法(BGSA)。同时针对引力算法易陷入局部最优解及解精度不高等问题,引入遗传算法的交叉变异思想,采用锦标赛的选择方法对粒子种群进行交叉操作,提出一种自适应变异方法对粒子转移速度进行变异操作,进而提出了一种改进的引力搜索算法(GBGSA)。并根据对基准函数的测试,验证所提算法的优良性。最后,利用所提出的改进引力搜索算法,同步优化SVM参数和特征选择,构建GBGSA-SVM系统。根据在UCI数据集上的实验,对比遗传算法和引力搜索算法的优化结果,验证了算法的优良性。并利用GBGSA-SVM对白内障危险因素进行研究分析,为白内障病理研究和相关预防提供了一定的参考价值。(本文来源于《云南大学》期刊2017-05-01）
张进,丁胜,李波[9]（2016）在《改进的基于粒子群优化的支持向量机特征选择和参数联合优化算法》一文中研究指出针对支持向量机(SVM)中特征选择和参数优化对分类精度有较大影响,提出了一种改进的基于粒子群优化(PSO)的SVM特征选择和参数联合优化算法(GPSO-SVM),使算法在提高分类精度的同时选取尽可能少的特征数目。为了解决传统粒子群算法在进行优化时易出现陷入局部最优和早熟的问题,该算法在PSO中引入遗传算法(GA)中的交叉变异算子,使粒子在每次迭代更新后进行交叉变异操作来避免这一问题。该算法通过粒子之间的不相关性指数来决定粒子之间的交叉配对,由粒子适应度值的大小决定其变异概率的大小,由此产生新的粒子进入到群体中。这样使得粒子跳出当前搜索到的局部最优位置,提高了群体的多样性,在全局范围内寻找更优值。在不同数据集上进行实验,与基于PSO和GA的特征选择和SVM参数联合优化算法相比,GPSO-SVM的分类精度平均提高了2%~3%,选择的特征数目减少了3%~15%。实验结果表明,所提算法的特征选择和参数优化效果更好。(本文来源于《计算机应用》期刊2016年05期）
郭春璐,陶琳[10]（2016）在《特征选择和分类器参数优化联合进行的人体行为识别》一文中研究指出特征选择和分类器参数优化是提高人体行为识别率的关键技术,针对当前模型没有考虑两者之间的联系不足,为了提高人体行为的识别率,提出了一种特征选择和分类器参数优化联合进行的人体行为识别模型。首先,分析当前人体行为识别研究的现状,并建立人体行为识别特征和分类器参数优化的数学模型;然后,利用改进粒子群算法对数学模型进行求解,建立最优的人体行为识别模型;最后,通过仿真实验测试其性能。结果表明,其模型克服了人体行为识别模型的缺陷,提高了人体行为识别率,识别速度也要快于对比模型。(本文来源于《微型电脑应用》期刊2016年04期）
参数选择与特征选择论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
常用特征选择方法面临着特征子集空间大小难以确定的问题,取不同的k值,它们的分类效果是相差很大的。粒子群优化算法存在收敛快、获得的是局部最优值而不是全局最优值的问题。针对上述问题,结合云模型的理论知识,提出一种基于云模型的特征选择方法。该算法的适应度函数是通过精确率这一评价指标计算的,将权重分为叁个类别来动态确定惯性权重。采用模糊期望交叉熵对原始的特征子集空间进行预选,将预选后的特征子集作为原始特征空间采用改进的特征选择方法,根据模糊期望交叉熵的大小来初始化粒子的种群数及采用迭代变化的阈值作为控制算法的结束条件。实验结果证明了该方法的有效性和可行性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
参数选择与特征选择论文参考文献
[1].王仁明,汪宏阳.基于IA-PNN的电能质量复合扰动特征选择及参数优化[J].电力与能源.2019
[2].宋丽,张震雷,杨新凯.一种基于云模型的特征选择参数优化研究[J].计算机技术与发展.2019
[3].刘凯.随机森林自适应特征选择和参数优化算法研究[D].长春工业大学.2018
[4].张文兴,陈肖洁.核极化优化多参数高斯核的特征选择算法[J].机械设计与制造.2018
[5].罗浪.基于多宽度高斯核的支持向量机参数优化与特征选择算法研究[D].中南民族大学.2018
[6].沈永良.基于改进烟花算法的SVM特征选择和参数优化的研究[D].安徽大学.2018
[7].沈永良,宋杰,万志超.基于改进烟花算法的SVM特征选择和参数优化[J].微电子学与计算机.2018
[8].张哲.基于改进引力搜索算法的SVM参数优化和特征选择[D].云南大学.2017
[9].张进,丁胜,李波.改进的基于粒子群优化的支持向量机特征选择和参数联合优化算法[J].计算机应用.2016
[10].郭春璐,陶琳.特征选择和分类器参数优化联合进行的人体行为识别[J].微型电脑应用.2016