基于改進(jìn)遺傳算法的支持向量機(jī)特征選擇

　　引言

　　支持向量機(jī)是一種在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展而來(lái)的機(jī)器學(xué)習(xí)方法[1]，通過(guò)學(xué)習(xí)類別之間分界面附近的精確信息,可以自動(dòng)尋找那些對(duì)分類有較好區(qū)分能力的支持向量,由此構(gòu)造出的分類器可以使類與類之間的間隔最大化,因而有較好的泛化性能和較高的分類準(zhǔn)確率。由于支持向量機(jī)具有小樣本、非線性、高維數(shù)、避免局部最小點(diǎn)以及過(guò)學(xué)習(xí)現(xiàn)象等優(yōu)點(diǎn)，所以被廣泛運(yùn)用于故障診斷、圖像識(shí)別、回歸預(yù)測(cè)等領(lǐng)域。但是如果缺少了對(duì)樣本進(jìn)行有效地特征選擇，支持向量機(jī)在分類時(shí)往往會(huì)出現(xiàn)訓(xùn)練時(shí)間過(guò)長(zhǎng)以及較低的分類準(zhǔn)確率，這恰恰是由于支持向量機(jī)無(wú)法利用混亂的樣本分類信息而引起的，因此特征選擇是分類問(wèn)題中的一個(gè)重要環(huán)節(jié)。特征選擇的任務(wù)是從原始的特征集合中去除對(duì)分類無(wú)用的冗余特征以及那些具有相似分類信息的重復(fù)特征，因而可以有效降低特征維數(shù)，縮短訓(xùn)練時(shí)間，提高分類準(zhǔn)確率。

　　目前特征選擇的方法主要有主成分分析法、最大熵原理、粗糙集理論等。然而由于這些方法主要依據(jù)繁復(fù)的數(shù)學(xué)理論，在計(jì)算過(guò)程中可能存在求導(dǎo)和函數(shù)連續(xù)性等客觀限定條件，在必要時(shí)還需要設(shè)定用來(lái)指導(dǎo)尋優(yōu)搜索方向的搜索規(guī)則。遺傳算法作為一種魯棒性極強(qiáng)的智能識(shí)別方法，直接對(duì)尋優(yōu)對(duì)象進(jìn)行操作，不存在特定數(shù)學(xué)條件的限定，具有極好的全局尋優(yōu)能力和并行性;而由于遺傳算法采用概率化的尋優(yōu)方法，所以在自動(dòng)搜索的過(guò)程中可以自主獲取與尋優(yōu)有關(guān)的線索，并在加以學(xué)習(xí)之后可以自適應(yīng)地調(diào)整搜索方向，不需要確定搜索的規(guī)則。因此遺傳算法被廣泛應(yīng)用在知識(shí)發(fā)現(xiàn)、組合優(yōu)化、機(jī)器學(xué)習(xí)、信號(hào)處理、自適應(yīng)控制和人工生命等領(lǐng)域。

　　基于改進(jìn)遺傳算法的特征選擇

　　遺傳算法是一種新近發(fā)展起來(lái)的搜索最優(yōu)化算法[2~5]。遺傳算法從任意一個(gè)的初始生物種群開(kāi)始，通過(guò)隨機(jī)的選擇、交叉和變異操作，產(chǎn)生一群擁有更適應(yīng)自然界的新個(gè)體的新一代種群，使得種群的進(jìn)化趨勢(shì)向著最優(yōu)的方向發(fā)展。圖1中所示的是標(biāo)準(zhǔn)的遺傳算法的流程框圖。

　　傳統(tǒng)的遺傳算法存在早熟收斂、非全局收斂以及后期收斂速度慢的缺點(diǎn)，為此本文提出了一種能夠在進(jìn)化過(guò)程中自適應(yīng)調(diào)節(jié)變異率，以及利用模擬退火防止早熟的改進(jìn)遺傳算法，同時(shí)該算法利用敏感度信息可以有效地控制遺傳操作。圖2是改進(jìn)遺傳算法的流程框圖。