遺傳算法和支持向量機混合方法及其應(yīng)用.pdf

1、在科學(xué)、商業(yè)和政府等領(lǐng)域數(shù)據(jù)在猛增。這使得非常有必要研究自動和智能的工具和技術(shù)，能夠從這些海量數(shù)據(jù)中分析、總結(jié)并提取知識。大多數(shù)的知識發(fā)現(xiàn)或數(shù)據(jù)挖掘工具和技術(shù)是基于傳統(tǒng)的統(tǒng)計、機器學(xué)習(xí)、模式識別或人工神經(jīng)網(wǎng)絡(luò)。受到噪聲和高維度侵?jǐn)_的巨型數(shù)據(jù)庫給數(shù)據(jù)挖掘帶來了挑戰(zhàn)。由于在缺乏啟發(fā)性的知識的情況下，遺傳算法對于高維數(shù)據(jù)特征提取非常有效，所以遺傳算法是克服挑戰(zhàn)的重要選擇。而統(tǒng)計學(xué)習(xí)理論是一種專門研究有限樣本情況下機器學(xué)習(xí)規(guī)律的理論，它不僅考慮

2、了對推廣能力的要求，而且追求在現(xiàn)有有限信息的條件下得到最優(yōu)結(jié)果。支持向量機是在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來的新的模式識別方法。在解決有限樣本、非線性和高維度問題中表現(xiàn)出許多特有的優(yōu)勢。 在知識發(fā)現(xiàn)的過程中，數(shù)據(jù)挖掘通常包括三個主要步驟：數(shù)據(jù)的選擇、清理、變換；對數(shù)據(jù)進(jìn)行挖掘以提取規(guī)律；評估和解釋所得到的結(jié)果。其中第一步是數(shù)據(jù)預(yù)處理，在數(shù)據(jù)挖掘的任何學(xué)習(xí)算法執(zhí)行之前，進(jìn)行這一步非常重要。數(shù)據(jù)預(yù)處理的關(guān)鍵是特征選擇和提取。挖掘則只是

3、整個知識發(fā)現(xiàn)過程中的一個步驟。數(shù)據(jù)挖掘的質(zhì)量不僅取決于數(shù)據(jù)挖掘技術(shù)的有效性，同時也取決于數(shù)據(jù)預(yù)處理產(chǎn)生的數(shù)據(jù)的數(shù)量和質(zhì)量。在從數(shù)據(jù)到知識的過程中，這些步驟通常被視為相互獨立地進(jìn)行。但事實上任何一個步驟的變化都會影響其他步驟，導(dǎo)致其他步驟不得不重新進(jìn)行調(diào)整。 在本文中，上述三個步驟通過一個目標(biāo)有機地結(jié)合成一個整體。這個目標(biāo)就是通過學(xué)習(xí)，使得挖掘出的規(guī)律具有最優(yōu)的推廣能力。具體做法是，首先采用遺傳算法對數(shù)據(jù)進(jìn)行特征選擇和提取，產(chǎn)生新