一种基于SVM的快速特征选择方法

山东大学学报(工学版) ›› 2010, Vol. 40 ›› Issue (5): 60-65.

一种基于SVM的快速特征选择方法

戴平,李宁*

南京大学计算机软件新技术国家重点实验室, 南京 210093

收稿日期:2010-04-02 出版日期:2010-10-16 发布日期:2010-04-02
通讯作者: 李宁(1968-),女,江苏沭阳人,副教授,硕士,主要研究方向为机器学习与图像处理. E-mail:E-mail:ln@nju.edu.cn
作者简介:戴平(1986-),男,上海人,硕士研究生,主要研究方向为机器学习. E-mail:dp0130@163.com
基金资助:
国家自然科学基金资助项目(60875011)

A fast SVM-based feature selection method

DAI Ping, LI Ning*

National Laboratory for Novel Software Technology, Nanjing University, Nanjing 210093, China

Received:2010-04-02 Online:2010-10-16 Published:2010-04-02

摘要/Abstract

摘要：

针对现有特征选择方法计算量大、速度慢的缺点,提出了一种基于SVM的快速特征选择算法。该算法使用SVM作为分类器,并利用粒子群优化算法进行搜索。通过利用SVM线性核与多项式核函数的特性,减少了在特征选择中训练分类器的次数,降低了计算复杂度。实验结果表明在不损失分类精度的情况下,能显著提高特征选择的速度。

关键词: 特征选择, SVM, 粒子群优化

Abstract:

Aiming at the large computation and slow convergence speed of the traditional feature selection methods, a fast SVMbased feature selection method is proposed to overcome.Support vecor machine is employed as the classifier and particle swarm optimization method is employed as searching strategy.The proposed method reduces the iterations of training classifiers by taking advantage of the characteristics of linear and polynomial kernel functions so that it reduces the complexity of calculation. Experimental results show that the method accelerates feature selection in the case of no loss of classification performances.

Key words: feature selection, support vector machine, particle swarm optimization

戴平,李宁*. 一种基于SVM的快速特征选择方法[J]. 山东大学学报(工学版), 2010, 40(5): 60-65.

DAI Ping, LI Ning*. A fast SVM-based feature selection method[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2010, 40(5): 60-65.

参考文献

相关文章 15

[1]	唐杰烽,张佳,龙锦益. 基于全局冗余最小的快速多标签特征选择方法[J]. 山东大学学报 (工学版), 2025, 55(6): 21-34.
[2]	吴正健,吾尔尼沙·买买提,杨耀威,阿力木江·艾沙,库尔班·吾布力. 基于DRCoALTP的印刷体文档图像多文种识别方法[J]. 山东大学学报 (工学版), 2025, 55(1): 51-57.
[3]	范海雯,郝旭东,赵康,邢法财,蒋哲,李常刚. 基于卷积神经网络的含分布式光伏配电网静态等值[J]. 山东大学学报 (工学版), 2023, 53(4): 140-148.
[4]	刘财辉,周琪,叶晓文. 一种基于改进ReliefF算法的入侵检测模型[J]. 山东大学学报 (工学版), 2023, 53(2): 1-10.
[5]	孙东磊, 鉴庆之, 李智琦, 韩学山, 王明强, 陈博, 付一木. 源网协调的电力系统均匀性规划[J]. 山东大学学报 (工学版), 2022, 52(5): 92-101.
[6]	许传臻,袭肖明,李维翠,孙仪,杨璐. 基于自适应多分辨率特征学习的CNV分型网络[J]. 山东大学学报 (工学版), 2022, 52(4): 69-75.
[7]	袁高腾,周晓峰,郭宏乐. 基于特征选择算法的ECG信号分类[J]. 山东大学学报 (工学版), 2022, 52(4): 38-44.
[8]	彭岩,冯婷婷,王洁. 基于集成学习的O₃的质量浓度预测模型[J]. 山东大学学报 (工学版), 2020, 50(4): 1-7.
[9]	汪嘉晨, 唐向红, 陆见光. 轴承故障诊断中特征选取技术[J]. 山东大学学报 (工学版), 2019, 49(2): 80-87.
[10]	刘洪铭,曾鸿雁,周伟,王涛. 基于改进粒子群算法作业车间调度问题的优化[J]. 山东大学学报 (工学版), 2019, 49(1): 75-82.
[11]	刘萌,徐陶阳,李常刚,吴越,王智,史方芳,苏建军,张国辉,李宽. 基于粒子群算法的受端电网紧急切负荷优化[J]. 山东大学学报 (工学版), 2019, 49(1): 120-128.
[12]	陈红,杨小飞,万青,马盈仓. 基于相关熵和流形学习的多标签特征选择算法[J]. 山东大学学报 (工学版), 2018, 48(6): 27-36.
[13]	牟廉明. 自适应特征选择加权k子凸包分类[J]. 山东大学学报 (工学版), 2018, 48(5): 32-37.
[14]	宋正强,杨辉玲,肖丹. 基于在线粒子群优化方法的IPMSM驱动电流和速度控制器[J]. 山东大学学报(工学版), 2018, 48(1): 112-116.
[15]	李素姝,王士同,李滔. 基于LS-SVM与模糊补准则的特征选择方法[J]. 山东大学学报(工学版), 2017, 47(3): 34-42.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed

本文评价

推荐阅读 10

[1]	李侃 . 嵌入式相贯线焊接控制系统开发与实现[J]. 山东大学学报(工学版), 2008, 38(4): 37 -41 .
[2]	来翔 . 用胞映射方法讨论一类MKdV方程[J]. 山东大学学报(工学版), 2006, 36(1): 87 -92 .
[3]	余嘉元1 , 田金亭1 , 朱强忠2 . 计算智能在心理学中的应用[J]. 山东大学学报(工学版), 2009, 39(1): 1 -5 .
[4]	陈瑞,李红伟,田靖. 磁极数对径向磁轴承承载力的影响[J]. 山东大学学报(工学版), 2018, 48(2): 81 -85 .
[5]	王波,王宁生 . 机电装配体拆卸序列的自动生成及组合优化[J]. 山东大学学报(工学版), 2006, 36(2): 52 -57 .
[6]	张英,郎咏梅,赵玉晓,张鉴达,乔鹏,李善评 . 由EGSB厌氧颗粒污泥培养好氧颗粒污泥的工艺探讨[J]. 山东大学学报(工学版), 2006, 36(4): 56 -59 .
[7]	Yue Khing Toh1 ， XIAO Wendong2 ， XIE Lihua1 . 基于无线传感器网络的分散目标跟踪：实际测试平台的开发应用（英文）[J]. 山东大学学报(工学版), 2009, 39(1): 50 -56 .
[8]	刘忠国,张晓静,刘伯强,刘常春 . 视觉刺激间隔对大脑诱发电位的影响[J]. 山东大学学报(工学版), 2006, 36(3): 34 -38 .
[9]	孙炜伟,王玉振. 考虑饱和的发电机单机无穷大系统有限增益镇定[J]. 山东大学学报(工学版), 2009, 39(1): 69 -76 .
[10]	李芳佳, 高尚策, 唐政, 石井雅博, 山下和也. 基于元胞自动化模型的三维雪花晶体近似模式的产生（英文）[J]. 山东大学学报(工学版), 2009, 39(1): 102 -105 .