CUDA平臺下基于分層多組粒子群算法的特征選擇研究.pdf

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