基于Tabu搜索技术的暂态稳定分类神经网络的输入特征选择

输入特征选择和输入空间降维是基于神经网络暂态稳定评估的首要问题,稳定分类结果的准确率主要决定于所选特征组成的输入空间的可分性。为此,讨论了如何选取一组代表性较好的输入特征,以降低输入空间维数和获取高的可分性;提出了一组用于稳定分类的系统特征及新的基于粗糙集理论特征离散化的类别可分离性判据,并利用Tabu搜索技术从维数较大的初始特征集中选择出一组有效特征,从而显著地降低了输入空间的维数。在10机39节点的新英格兰系统中的应用表明了所选方法的有效性。