版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、隨著人們對未知領(lǐng)域探索的不斷深入研究和測試技術(shù)的發(fā)展,會產(chǎn)生海量的數(shù)據(jù),因此在眾多數(shù)據(jù)中發(fā)現(xiàn)有用的信息已經(jīng)成為一項重要的研究課題,期望通過這樣的研究可以有效幫助組織決策的制定。本文針對以上應(yīng)用背景,開展海量高維數(shù)據(jù)下的特征選擇方法研究。
特征選擇就是這樣一種在大量特征中尋找關(guān)鍵特征的有效方法,即根據(jù)某種評估標準,從原始特征空間中除去不相關(guān)、冗余特征,以達到降低數(shù)據(jù)維數(shù)的目的。本文在分析相關(guān)特征選擇方法的基礎(chǔ)上提出了基于CUDA
2、平臺的分層多組粒子群算法的特征選擇,旨在通過特征選擇算法本身和異構(gòu)平臺搭建兩個方面對特征選擇進行改進。
論文首先提出了基于分層多組粒子群算法的搜索策略,該算法是對標準粒子群算法進行改進,將種群分為兩層(頂層粒子群和底層粒子群),各層進行獨立的粒子群算法,并在每次循環(huán)之后交換兩層之間的粒子信息,以保證種群的進化性能,且該算法得到了基于概率學(xué)的分析論證。但該算法執(zhí)行時間會相對較長,因而速度較于普通的粒子群算法要慢。鑒于此,本文利用
3、與該算法相契合的GPGPU異構(gòu)平臺—CUDA(Compute Unified Device Architecture)來有效的避免這一短處,CUDA是NVIDIA公司推出了一款新型并行計算架構(gòu),可以極大的提高運算速度,提高運行效率。
接著本文將就前文提出的分層多組粒子群算法應(yīng)用于特征選擇。在此基礎(chǔ)上,本文基于粗糙集理論提出了特征選擇方法的評估函數(shù),評估函數(shù)是特征選擇過程中的關(guān)鍵環(huán)節(jié)之一,主要作為選擇特征子集的標準。最后本文最后
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于粒子群算法的分組特征選擇算法研究.pdf
- 基于粒子群算法的特征基因選擇方法研究.pdf
- 基于SVm-RFE和粒子群算法的特征選擇算法研究.pdf
- 基于CUDA的并行離散粒子群圖頂點著色算法研究.pdf
- 基于變異粒子群算法的公交線網(wǎng)分層優(yōu)化研究.pdf
- 在AWS上基于CUDA的并行粒子群算法的研究與應(yīng)用.pdf
- 基于粒子群算法的特征選擇與支持向量機參數(shù)同步優(yōu)化.pdf
- 粒子群算法----粒子群算法簡介
- 粒子群算法----粒子群算法簡介
- 粒子群算法----粒子群算法簡介
- 基于EV模型的結(jié)合粒子群變量選擇算法研究.pdf
- 粒子群算法(1)----粒子群算法簡介
- 基于改進粒子群算法的供應(yīng)商選擇問題研究.pdf
- 基于克隆選擇和粒子群算法的圖像分割方法研究.pdf
- 基于粒子群優(yōu)化的網(wǎng)絡(luò)視頻流特征選擇與識別.pdf
- 粒子群優(yōu)化算法粒子群優(yōu)化算法簡介
- 基于CUDA的粒子濾波并行算法研究.pdf
- 基于粒子群算法的數(shù)值方法研究.pdf
- 基于改進粒子群算法的交通控制算法研究.pdf
- CUDA平臺下基于通路的全基因組關(guān)聯(lián)研究.pdf
評論
0/150
提交評論