摘要：在分析传统方法的基础上，将GA与神经网络相结合，提出了一种特征变换的新方法，二者优势互补，通过与传统的特征选择方法比较，用实例验证了该方法的正确性和可信性。

关键词：GA 神经网络 特征选择 特征变换

在机器学习和KDD领域，事物的属性和属性取值反映了事物的本质和度量，为了描述一致，统称为模式特征。在传统文献中，模式特征一般分为物理特征、结构特征和数学特征[1-2]。

物理特征和结构特征容易被人类感官所接受，便于直接识别对象。在人工智能领域，物理特征和结构特征以数学特征的形式表现出来，特征提取主要指特征数据的处理方法和过程。广义上的特征提取按属性数据的处理方式分为特征直接提 取和间接提取，又称为特征选择和特征变换。

（1）直接提取（特征选择）：设原始特征集合为Un={A1,A2…，An}，直接提取即从Un中挑选出有利于分类的特征子集：Tc:Un→Ud

其中,d

（2）间接提取（特征变换）：通过映射或变换的方法，把高维空间Un的高维特征转化为低维空间Ud的低维特征：Tc:Un→Ud

其中，d≤n，在特征空间变换过程中，特征维数得到了压缩，但是压缩的前提是保证样本的分类性质保持不变。Te可以采用线性或者非线性变换模型。

特征选择的主要算法包括枚举法、分支定界搜索法、逐个特征比较法等启发式方法[3]。在实际运算时，启发式算法无论采用深度优先或者广度优先，过程控制都非常复杂，且对噪音的处理非常不方便。从本质上讲，任何启发式算法都是一种局部寻优方法，所获得的解通常不是最优解，同时难于发现多个最优解或满意解[4-5]。另外，启发式算法的求解结果对噪音比较敏感，影响了特征子集的鲁棒性和适应性。

在概念学习或者更为广泛的模式识别领域，特征提取是一个非常复杂的问题，所表示的模型求解基本上是NP类问题[6-7]，一般需要综合考虑分类错误、特征简单性和计算时间资源等因素。

传统的特征提取方法通常采用线性变换，使得判别准则函数最大或者最小（熵函数和类内类间距离函数是经常采用的两个准则函数，[1]），即

Y=A*X

其中，A*为d

本页地址