رزیتا پور پولادی - دانشگاه آزاد اسلامی، واحد قزوین، دانشکده برق، رایانه و فناوری اطلاعات
بابک ناصر شریف - دانشگاه صنعتی خواجه نصیرالدین طوسی، واحد تهران، دانشکده مهندسی برق و کامپیوتر

در بازشناسی الگو دسته بندی داده های با ابعاد بالا کار سخت و زمان بری است طوری که این مسئله به نفرین ابعاد معروف است. یک راه حل این مسئله، به کار بردن روش های انتخاب ویژگی برای کاهش ابعاد است. در این مقاله، پیشنهاد می شود که از روش های تکاملی چند هدفه و بطور خاص از الگوریتم ازدحام ذرات به منظور در نظر گرفتن دو یا چند معیار همزمان جهت جستجو و انتخاب در فضای ویژگی ها استفاده شود. به این منظور معیارهای ضریب همبستگی پیرسون، فاصله درون و برون کلاسی، اطلاعات متقابل که به ترتیب بیانگر وابستگی ویژگی ها، میزان قدرت متمایز سازی ویژگی ها، محتویات اطلاعاتی ویژگی ها هستند، در نظر گرفته شده اند و ترکیب دو به دوی آنها به عنوان اهداف توام انتخاب ویژگی در تابع برازدگی الگوریتم تکاملی پیشنهاد شده اند. ارزیابی بر روی دادگان UCI و دسته بندهای گوناگون نشان می دهد که روش های ترکیب پیشنهادی نسبت به دیگر روش های شناخته شده انتخاب ویژگی برتری دارد و یا کارآیی همپای آنها ارائه می دهد.

انتخاب ویژگی، بهینه سازی ازدحام ذرات، همبستگی پیرسون، اطلاعات متقابل، فاصله درون - برون کلاسی