cuda平台下基于分层多组粒子群算法的特征选择分析word格式论文.docxVIP

selection, which is used as the feature subset selection criteria Finally, the feature selection method is applied in the UCI (University of California Irvine) data set, through the comparison of the characteristics of the simulation, the experiments show that the proposed method is better choice.Keyword: Feature Selection, Hierarchical Multi-block Particle Swarm Optimization Algorithm (HBPSO), CUDA目录中文摘要I英文摘要 II1 绪论 11.1 研究背景和意义 11.2 国内外研究现状 11.2.1 常见的特征选择方法研究现状 11.2.2 粒子群算法的研究现状 41.2.3 基于 CUDA 等异构平台的算法研究现状51.3 本文的主要研究内容及组织结构 51.4 本章小结 62 特征选择和 CUDA 基本理论72.1 特征选择的基本概念及一般过程 72.2 CUDA 异构平台下的特征选择9CUDA 简介9CUDA 存储模型 10CUDA 的线程组织 11CUDA 的编程模型 142.2.5 CUDA 平台下特征选择可行性分析 152.3 本章小结 153 CUDA 平台下分层多组粒子群算法163.1 特征选择有哪些信誉好的足球投注网站策略概述 163.2 标准粒子群算法 193.2.1 连续粒子群算法 193.2.2 离散粒子群算法 193.3 分层多组粒子群算法 203.3.1 分层多组模型的粒子群算法 213.3.2 算法的流程 223.4 基于概率的分组模型的收敛能力分析 233.5 CUDA 平台下分层多块粒子群算法的实现243.6 算法的主要过程 283.6.1 粒子群的初始化 303.6.2 粒子群的速度和位置，评估值更新 303.6.3 更新底层最佳粒子 313.6.4 更新顶层最佳粒子信息 323.6.5 分层多组粒子群算法的结束条件 323.7 实验结果与分析 333.7.1 基于 CUDA 的分层多块粒子群算法实验 333.7.2 实验结果分析 383.8 本章小结 394 基于分层多组粒子群算法的特征选择 404.1 特征选择的评估值计算 404.1.1 本文所选用的评估值计算方式 404.1.2 粗糙集基本原理 404.1.3 基于粗糙集适应值计算举例 424.2 CUDA 平台下基于分层多组粒子群算法的特征选择444.2.1 特征选择的流程 444.2.2 特征选择算法的主要过程 444.3 实验结果与分析 454.3.1 对 WINE 数据集进行特征选择的结果如下464.3.2 对 IRIS 数据进行特征选择的结果如下：474.3.3 实验结果分析 484.4 本章小结 495 总结与展望 505.1 课题总结 505.2 课题展望 51致谢 52参考文献 53附录 581绪论1.1 研究背景和意义随着信息时代的到来，大数据以及云计算的普遍应用，人们得以获取各种不 同的信息，数据样本逐渐增多，同时数据的维数也在不断增高，尽管更多的信息 能带给研究人员更多的信息和知识，然而巨大的数据量更加剧了数据的累积以及 维数灾难(Curse of Dimensionality)等问题[1][2][3]，还在机器学习中会造成一定程度的 困扰，严重影响分类器的性能，如决策树、神经网络[4]等学习算法都会受到冗余或 无关特征的影响。在硬件水平有限的情况下容易超出人们处理和分析数据的能力， 也会增加数据采集中的难度，因而需要更有效的从这些海量数据中找到有用信息。 现今如何从这些信息中找到有效信息，已然成为计算机，数据信息领域的一大重 要课题。特征选择技术广泛的应用于模式识别领域的各个方面，在各个方面都具 有十分重要的地位。特征选择是一种常用且非常有效的预处理技术，它是通过移除无关、冗余特 征，找到对目标任务有用的特征，以达到数据降维的目的。海量数据堆积主要表 现在高维数和大数据样本两个方面。相关研究表明：数据维数的线性增加将使得 问题的假设空间成指数增长，数据处理的时间也会成倍增长，因此在研究中，当 海量数据都是高维数据时，特征选择技术的应用显得更为必要。特征选择有着上述优势，且在不断的发展之中，目前使用特征选择方法可以 有效找到特征子集，但是目前特征选择方法的发展方向还是集中于算法本身，包