انتخاب ویژگی با الگوریتم بهینه سازی ازدحام ذرات

سورس برنامه پیاده سازی انتخاب ویژگی با PSO برای SVMدر متلب عنوان محصولی است که در این پست به آن پرداخته شده است. محصول در نرم افزار متلب نوشته شده و بصورت کامل توسط گروه پشتیبانی تست و اجرا شده است. برای دانلود محصول آن را خریداری کنید.

انتخاب ویژگی برای کاهش اندازه داده‌ها با حذف ویژگی‌هایی که برای تجزیه و تحلیل مناسب نیستند، انجام می‌گیرد. روشهای انتخاب ویژگی کارآمد با کاهش حجم داده‌ها و زمان صرف شده در تجزیه و تحلیل طبقه‌بندی، افزایش عملکرد را به دست می‌دهد.

دقت طبقه‌بندی و تعداد ویژگی‌های انتخاب شده، دو معیار اصلی مورد استفاده برای طراحی یک تابع شایستگی می‌باشد. بنابراین، برای ذره با دقت طبقه‌بندی بالا و تعداد اندکی ویژگی، مقدار شایستگی بالایی تولید می‌شود.

تابع شایستگی در الگوریتم‌های بهینه‌سازی برای هدایت کل الگوریتم به پاسخ بهینه کل مورد بهره قرار می‌گیرد. برای این منظور تاکنون از توابع مختلفی نظیر فاصله اقلیدسی استفاده شده است. در روش پیشنهادی از طبقه‌بند ماشین بردار پشتیبان برای محاسبه تابع شایستگی استفاده شد. پارامترهای ماشین بردار پشتیبان مربوط به هر الگو ذخیره می‌گردد. الگویی که بهترین مقدار شایستگی را بدست آورده، به عنوان الگوی بهینه‌ی سراسری  G_best و تمام الگوها را به عنوان بهینه شخصی P_best نگه داشته و برای تکرارهای بعدی استفاده می‌شوند. مقدار P_best کسب شده در تکرار قبلی، به عنوان جمعیت اولیه یا الگوی انتخابی اولیه در تکرار بعدی استفاده می‌شود. سپس الگوها بر اساس معادلات (۱) و (۲) بروزرسانی شده و در این مرحله تمام الگوها بر اساس سرعت و پارامترهای اینرسی و   و   انتخابی به سمت الگوی بهتر یعنی G_best حرکت می‌کنند.

(۱)      vi(t+1)=w*v(t)+c1*Rand*(P_best-Xi)+c2*Rand*(G_best-Xi)

(۲)                                                           Xi(t+1)=Xi(t)+Vi(t+1)

در روابط بالا  w وزن اینرسی، c1 و c2 عوامل یادگیری که به ضرایب شتاب نیز مشهورند و مقدار  یک عدد تصادفی در بازه (۰,۱) می‌باشد. رابطه (۱) شامل جمع سه عبارت است که عبارت اول نسبتی از سرعت جاری ذره است و به همراه عبارت دوم که متناسب با تفاضل مکان پرنده با بهترین موقعیت قبلی آن و عبارت سوم که تفاضل مکان آن با بهترین جواب در میان کل جمعیت است و باعث هدایت سرعت جدید ذره به سمت جواب بهینه می‌شود.

در هر تکرار پس از بدست آوردن  P_bestو مقدار شایستگی، مقدار شایستگی جدید با شایستگی قبلی مقایسه شده برای هر درایه از بردار شایستگی اگر شایستگی بدست آمده بزرگتر از درایه متناظر قبلی خود باشد الگوی مربوط به آن درایه را از ماتریس الگوی P_best جدید انتخاب نموده و با الگوی متناظر خود در P_best قبلی جایگزین می‌کنیم. این مراحل تا زمانی که شرط توقف برقرار نشده ادامه می‌یابد.