基于遗传算法的特征子集选择

数据挖掘对象是大型数据库中的海量数据，而数据库中记录包含众多属性，由于其中存在的冗余和不相关属性降低了数据挖掘性能，增加了算法复杂性，因此，特征子集选择问题成为数据挖掘领域中的重要研究课题。该文根据过滤法思想，提出了基于遗传算法的特征子集选择算法，实验证明该算法获得了良好的收效性和稳定性。     

基于特征排序特征联合算法的疾病危险因素分析

针对疾病危险因素分析集中于危险因素单独作用的重要性评估,忽略危险因素联合作用的问题,为避免低估部分单独无用但与其他因素联合对疾病构成威胁的危险因素的有用性,提出一种基于特征选择的特征排序特征联合算法.第一阶段通过特征选择对危险因素进行单独作用重要性分析并排序;第二阶段设计特征联合算法分析危险因素联合作用,去除冗余危险因素并选出关键危险因素.仿真实验结果表明,特征排序特征联合算法可实现更高分类准确率并减少冗余,证明了该算法的有效性.     

基于超球和ASSRFOA的多生支持向量机

支持向量机(support vector machine, SVM)是一种基于结构风险最小化的机器学习方法, 能够有效解决分类问题. 但随着研究问题的复杂化, 现实的分类问题往往是多分类问题, 而SVM仅能用于处理二分类任务. 针对这个问题, 一对多策略的多生支持向量机(multiple birth support vector machine, MBSVM)能够以较低的复杂度实现多分类, 但缺点在于分类精度较低. 本文对MBSVM进行改进, 提出了一种新的SVM多分类算法: 基于超球(hypersphere)和自适应缩小步长果蝇优化算法(fruit fly optimization algorithm with adaptive step size reduction, ASSRFOA)的MBSVM, 简称HA-MBSVM. 通过拟合超球得到的信息, 先进行类别划分再构建分类器, 并引入约束距离调节因子来适当提高分类器的差异性, 同时采用ASSRFOA求解二次规划问题, HA-MBSVM可以更好地解决多分类问题. 我们采用6个数据集评估HA-MBSVM的性能, 实验结果表明HA-MBSVM的整体性能优于各对比算法.     

数据挖掘发展研究

1 引言世纪之交,人类面临着新的问题:不缺数据缺知识。随着数据库技术的成熟和数据应用的普及,人类积累的数据量正以指数速度增长。例如,Wal Mart公司每天要处理二千万个事务;美国航天局1999年发射的地球观测系统每小时要产生50Gb的图像数据等。毫无疑问,这些庞大的数据库及其中的海量数据是极其丰富的信息源,但是仅仅依靠传统的数据检索机制和统     

入侵检测与聚类分析

传统的入侵检测方法在面对网络结构升级和未知攻击时 ,缺乏必要的扩展性和自适应能力 ,而基于机器学习的检测算法首先需要训练数据集进行训练 ,然后建立检测模型并通过测试数据集中入侵行为的检测结果来验证 ,此类方法由于获取类标识数据的困难性及其信息表达的局限性 ,降低了对未知攻击的检则能力。本文提出利用遗传聚类进行入侵检测算法IDUGC(IntrusionDetectionUsingGeneticClustering)。实验结果表明 ,此算法在未知入侵检测方面是可行的、有效的 ,并具有良好的可扩展性     

基于禁忌遗传算法的RNA二级结构预测

生物RNA二级结构预测是生物信息学领域的一个重要研究问题.近来,研究人员提出应用元启发式算法来预测RNA二级结构.该文提出基于禁忌遗传算法的RNA二级结构预测方法(TGARNA),给出茎区相容性检测改进方法,保留最长茎区构造茎区相容个体,以改善种群性能;同时将禁忌搜索融入遗传操作以防止近亲繁殖,保持种群多样性.仿真实验...     

基于动态相关性的特征选择算法

特征选择是从原始数据集中去除无关的特征并选择良好的特征子集,可以避免维数灾难和提高学习算法的性能。为解决已选特征和类别动态变化（DCSF）算法在特征选择过程中只考虑已选特征和类别之间动态变化的信息量,而忽略候选特征和已选特征的交互相关性的问题,提出了一种基于动态相关性的特征选择（DRFS）算法。该算法采用条件互信息度量已选特征和类别的条件相关性,并采用交互信息度量候选特征和已选特征发挥的协同作用,从而选择相关特征并且去除冗余特征以获得优良特征子集。仿真实验表明,与现有算法相比,所提算法能有效地提升特征选择的分类准确率。     

多策略改进的蛇优化算法

为改进蛇优化算法(Snake Optimizer, SO)在探索方式、变量计算、空间搜索方式和种群更新方式等方面存在的不足,提出了一种多策略改进的蛇优化算法(Improved Snake Optimizer, ISO)。首先,提出探索寻优策略,根据个体相对于优势个体的位置更新自身的位置,使种群在前期快速收敛到最优解附近。其次,优化变量计算方式,将SO算法中的指数运算改进为多项式运算,提高SO的时间效率。同时引入动态调整搜索空间的机制,随种群进化迭代次数的增加逐步扩展搜索范围以提高寻优能力。最后,引入优势进化策略,淘汰适应度较差的个体并结合优势个体的基因产生新个体,快速提高种群优势基因比例以增加收敛速度。对不同基准测试函数进行寻优实验,分别与经典SO算法和5种启发式算法进行对比,结果表明ISO具有较强的寻优能力。为进一步验证所提算法的高效性和实用性,将ISO应用于全连接神经网络的优化问题,结果表明基于ISO优化的神经网络具有更优的分类效果。     

基于混合遗传聚类的入侵检测算法

提出了基于混合遗传聚类的入侵检测算法——IDBHGC,它能自动完成初始聚类簇集合建立、组合优化和入侵行为标识的整个检测过程。实验证明,该算法在已有研究基础上进一步提高了检测性能。     

基于引力模型的类属属性多标签分类算法

为解决基于类属属性的多标签分类算法(multi-label classification with label specific features,LIFT),在类属属性构造过程中未考虑数据间的相互作用且未利用近邻集合的特征和标签信息的问题,提出基于引力模型的类属属性多标签分类算法G-GMLIFT (global-gravitation model based label specific features)和L-GMLIFT (local-gravitation model based label specific features)。结合引力模型,利用近邻集合的特征和标签信息,构成基于相互作用的类属属性空间,度量数据间的相互作用。仿真结果表明,与现有方法相比,所提算法具有较好的分类性能。