基于粗糙超立方体和离散粒子群的特征选择算法

特征选择指在保持数据分类性能不变的同时，选出不含冗余特征的特征子集。粗糙超立方体方法可从特征相关度、依赖度和重要度这3方面对特征子集进行综合评估，已成功用于特征选择。特征子集组合的计算是一个NP-难问题，而传统的前向搜索策略只能得到局部最优结果。因此，本文设计了一种新的离散粒子群优化与粗糙超立方体方法相结合的算法。该算法首先引入相关度用以生成一组粒子，然后对粗糙超立方体方法的目标函数改进后作为优化函数，最后由粒子群迭代优化，找到最优的特征子集。实验结果表明，相比传统粗糙超立方体方法和采用粒子群优化的粗糙集方法，本文算法能够得到具有更小特征数量和更高分类性能的特征子集。