论文部分内容阅读
基于实例的模式识别中，由于存在着大量实例和特征个数的可变特性，导致难于形成高区分度的特征子集，从而使分类器识别性能低下。基于遗传算法的特征选择使用选择、交叉和变异算子，能够以可接受代价找到问题的最优解(或较优解)，有效避免了采用传统方法对大量实例进行特征选择的局限性。基于免疫克隆选择算法的特征选择，具有快速收敛于全局最优的特性，可加快搜索到最优特征子集的速度。实验结果表明，该方法与基于遗传算法特征选择相比较，不仅能够保持甚至提高分类精度，而且能够在有限代数内更快地收敛到更优特征子集。分析上述两种方法不足，将遗传算法中的交叉算子用于免疫克隆选择算法，提出了免疫交叉克隆选择算法，使得该算法不仅具有免疫算法的记忆和快速收敛于全局的功能，而且具有遗传算法的种群多样性特点。实验结果表明，基于该算法的特征选择与前两种方法相比较，既可以克服种群退化问题，又能保持抗体的多样性，并且能够在有限代数内收敛到更优的特征子集，从而验证了该方法的有效性，表明其具有一定的应用潜力。