文献类型：期刊文章

作　　者：贾鹤鸣[1,2] 李瑶[2] 孙康健[2]

JIA He-Ming;LI Yao;SUN Kang-Jian(School of Information Engineering,Sanming University,Sanming 365004;School of Mechanical and Electrical Engineering,Northeast Forestry University,Harbin 150040)

机构地区：[1]三明学院信息工程学院,三明365004 [2]东北林业大学机电工程学院,哈尔滨150040

出　　处：《自动化学报》

基　　金：福建省自然科学基金项目(2021J011128);三明学院国家基金培育计划项目(PYT2105)资助。

年　　份：2022

卷　　号：48

期　　号：6

起止页码：1601-1615

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、PUBMED、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：针对传统支持向量机方法用于数据分类存在分类精度低的不足问题,将支持向量机分类方法与特征选择同步结合,并利用智能优化算法对算法参数进行优化研究.首先将遗传算法(Genetic algorithm,GA)和乌燕鸥优化算法(Sooty tern optimization algorithm,STOA)进行混合,先通过对平均适应度值进行评估,当个体的适应度函数值小于平均值时采用遗传算法对其进行局部搜索的加强,否则进行乌燕鸥本体优化过程,同时将支持向量机内核函数和特征选择目标共同作为优化对象,利用改进后的STOA-GA寻找最适应解,获得所选的特征分类结果.其次,通过16组经典UCI数据集和实际乳腺癌数据集进行数据分类研究,在最佳适应度值、所选特征个数、特异性、敏感性和算法耗时方面进行对比研究,实验结果表明,该算法可以更加准确地处理数据,避免冗余特征干扰,在数据挖掘领域具有更广阔的工程应用前景.

关 键 词：乌燕鸥优化算法  混合优化  特征选择  支持向量机 数据分类

分 类 号：TP18]