基于加权社区检测与增强人工蚁群算法的高维数据特征选择

被引：18

作者：

巫红霞 ^{[1
]}

谢强 ^{[2
]}

机构：

[1] 镇江市高等专科学校装备制造学院

[2] 南京航空航天大学计算机科学与技术学院

来源：

计算机应用与软件 | 2019年 / 36卷 / 09期

关键词：

高维数据; 大数据; 特征选择; 数据分析; 社区检测; 人工蚁群算法;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; TP311.13 [];

学科分类号：

140502 [人工智能];

摘要：

为了提高高维数据特征选择的时间效率、降低特征选择的冗余度与不相关性,提出一种基于加权社区检测与增强人工蚁群算法的高维数据特征选择算法。设计加权的社区检测算法,将特征相似性作为社区划分的模块度,根据特征判别力为社区分配不同的权重;通过人工蚁群算法并行地处理每个特征分类,将每个特征分类按优劣程度组成队列;选出每个队列的top-k特征子集做全局比较,提取全局最优的特征子集。仿真实验结果表明,该算法对于高维数据集实现了较好的特征提取结果,并且实现了合理的时间成本。

引用

页码：285 / 292+301 +301

页数：9

共 12 条

[1]

LSTM逐层多目标优化及多层概率融合的图像描述 [J].

汤鹏杰 ;

王瀚漓 ;

许恺晟 .

自动化学报, 2018, 44 (07) :1237-1249

[2]

高维小样本分类问题中特征选择研究综述 [J].

王翔 ;

胡学钢 .

计算机应用, 2017, 37 (09) :2433-2438+2448

[3]

一种结合随机森林和邻域粗糙集的特征选择方法 [J].

吴辰文 ;

王伟 ;

李长生 ;

梁靖涵 ;

闫光辉 .

小型微型计算机系统, 2017, 38 (06) :1358-1362

[4]

一种基于半监督多任务学习的特征选择模型 [J].

王晓栋 ;

严菲 ;

洪朝群 .

厦门大学学报(自然科学版), 2017, 56 (04) :567-575

[5]

基于文化基因算法和最小二乘支持向量机的安全数据特征处理方法 [J].

马媛媛 ;

施永益 ;

张宏 ;

林棋 ;

李千目 .

计算机科学, 2017, 44 (03) :237-241

[6]

基于特征选择的网络入侵检测方法 [J].

戴远飞 ;

陈星 ;

陈宏 ;

叶靓 ;

林俊鑫 ;

郭文忠 .

计算机应用研究, 2017, 34 (08) :2429-2433

[7]

Feature selection for high dimensional imbalanced class data using harmony search.[J].Alireza Moayedikia;Kok-Leong Ong;Yee Ling Boo;William GS Yeoh;Richard Jensen.Engineering Applications of Artificial Intelligence.2017,

[8]

A feature selection method based on modified binary coded ant colony optimization algorithm.[J].Youchuan Wan;Mingwei Wang;Zhiwei Ye;Xudong Lai.Applied Soft Computing.2016,

[9]

Binary grey wolf optimization approaches for feature selection.[J].E. Emary;Hossam M. Zawbaa;Aboul Ella Hassanien.Neurocomputing.2016,

[10]

High-dimensional feature selection via feature grouping: A Variable Neighborhood Search approach.[J].Miguel García-Torres;Francisco Gómez-Vela;Belén Melián-Batista;J. Marcos Moreno-Vega.Information Sciences.2016,

← 1 2 →