特征选择在机器学习中起着关键的作用，是一个关键的预处理步骤。它的影响超出了增强学习算法的分类能力;它还可以降低数据集的维数。因此，特征选择涉及到一个多目标优化问题，力求在最大限度地提高分类精度的同时最小化特征数量。令人惊讶的是，与更普遍的单目标观点相比，只有少数研究从多目标角度进行特征选择。基于此，我们提出了一种新的多目标算法来解决特征选择问题。我们的方法从量子计算中获得灵感，并结合了萤火虫算法(FA)和粒子群优化器(PSO)的优势。利用量子计算增强了解决方案的分布，而遗传算法和粒子群算法的协作特性有助于有效地探索特征空间。此外，我们还引入了两个固定大小的外部存档，专门用于存储最佳解决方案。档案的大小是使用epsilon优势关系控制的。我们通过与在该领域享有很高声誉的单目标和多目标特征选择算法进行广泛的比较来评估我们算法的效率。此外，我们提出了一个高性能的检测系统，利用我们的算法和三种卷积神经网络算法。该系统显示了其从x射线图像中准确识别COVID-19疾病的潜力。我们的实验结果明确地确立了我们提出的算法优于其竞争对手。它始终提供具有较少特征数量的特征子集，并实现更高的分类精度。
摘要
访问选项
数据可用性声明
参考文献
作者信息
道德声明
访问选项
搜索
导航
＃＃＃＃＃
微信扫一扫打赏
