基于二进制烟花算法的特征选择方法-路永和.pdf

《基于二进制烟花算法的特征选择方法-路永和.pdf》由会员分享，可在线阅读，更多相关《基于二进制烟花算法的特征选择方法-路永和.pdf（11页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、情报学报2017年3月 第36卷第3期Journal of the China Society for Scientific and Technical Information，March 201 7，36(3)：249259基于二进制烟花算法的特征选择方法路永和，陈泳珊(中山大学资讯管理学院，广州510006)摘 要文本分类中的特征选择方法对分类性能有重要的影响。烟花算法是一种解决优化问题的群体智能优化方法，而特征选择的本质是离散空间的优化组合问题。本文采用二进制编码方式，将烟花算法应用到特征选择上，通过改进二进制烟花算法及其参数设置，从而达到提高分类性能的目的。实验数据使用中英文两种语料库

2、，其中英文数据使用路透社的21578经典文本分类语料库(Reuters21578)的R8单标签语料集；中文数据使用复旦语料库，每种语料库随机抽取训练文本和测试文本各为1800篇。分别使用KNN、SVM分类器在预选维数为300维、600维、900维、1200维、2000维、3000维、4000维、5000维、10000维中进行实验。结果表明：采用二进制烟花算法对特征词选择进行优化后，其效果优于传统的特征选择方法，且具有良好的稳定性。关键词 词文本分类；特征选择；二进制烟花算法；信息增益；卡方统计量Feature Selection Method Based on the Binary Firew

3、orks AlgorithmLu Yonghe and Chen Yongshan(School ofInformation Management,Sun Yatsen University,Guangzhou 5 1 0006)Abstract：Feature selection has a profound influence on the performance of text classificationFireworks algorithm isa kind of swarm intelligence optimization algorithm to solve the optim

4、ization problemAnd feature selection iS thenature of the optimal combination problem of discrete spaceWith binary encoding，the fireworks algorithm was applied to feature selectionWe tried to modify the binary fireworks algorithm and its parameters setting，SO as to improve the classification performa

5、nceThe experimental data used the English R8 single label corpus of Reuters21578classic corpus(Reuters21578)and Chinese fudan corpusThe number of fudan corpus that extracted as the trainingand testing text was 1 800By using KNN and SVM classifier respectively in the candidate dimension of 300，600，90

6、0，1200，2000，3000，4000，5000，10000，the results revealed that the binary fireworks algorithm optimized thekeywords selected and its effect was superior to the traditional feature selection methodsand had good stabilityKey words：text classification；feature selection；binary fireworks algorithm；informatio

7、n gain；chisquare statistic引 言文本分类是数据挖掘中的一个重要研究领域，文本分类中的特征选择方法对分类性能有着重要的影响。传统的特征选择方法如信息增益(informationgain)、卡方检验(chisquare test，CHI)等都存在一收稿日期基金项目作者简介：定的缺陷，因此，寻找一种优化的特征提取算法对文本分类来说显得尤为重要。烟花算法是近年来提出来的一种群体智能算法，在函数优化上表现出了良好的寻优能力。本文从文本特征的选择优化出发，使用该算法以二进制编码的形式应用在文本分类的特征选择问题上，并20160420；修回日期：20161019国家自然科学基金项目

8、“面向文本分类的多学科协同建模理论与实验研究”(71373291)，广东省科技计划项目“面向主题的中文语料库构建方法与技术”(201 5A030401037 o路永和，男，1962年生，教授，主要研究方向为数据挖掘、智能信息处理、文本分类，Email：luyonghemailsysueducn；陈泳珊，女，1994年生，硕士研究生，主要研究方向为智能信息处理、文本分类。万方数据250 情 报 学 报 第36卷且在实验中改进二进制烟花算法及其参数设置，以期提高分类准确率。基本思想是在传统的特征选择方法即信息增益(IG)和卡方统计量(chisquarestatistic，CHI)选出的候选特征的基

9、础上，使用二进制烟花算法对特征选择进行优化。通过实验，本文试图得到一种优化的特征选择方法，减少文本分类使用的特征数，并最终使文本分类的性能和准确率能在传统特征选择方法的基础上有所提高。2 相关研究21文本特征选择文本分类问题面对的是高维数据，对于大多数的分类算法来说会因为计算量过大或者耗费资源过多而失去可行性。因此在实际应用中，一般会对文本特征进行选择以约减特征向量的维度。文本特征选择(feature selection)是指从原始特征集中选取数量规模比较小的特征集合，替代原始特征集进行文本分类的过程。一个典型的特征选择过程常由4个步骤组成，分别为：子集生成(subset generation

10、)、子集评价(subset evaluation)、终止条件(stoppingcriterion)和结果评估(result validation o首先根据预先设定的搜索策略得到候选特征子集，然后对每个候选子集根据评价准则进行衡量。重复生成评价过程，直至终止条件满足。最后基于先验知识或与初始特征集比较，对最优特征子集进行验证以考察其正确性J。目前比较常用的文本特征选择方法主要有文档频率(DF)、信息增益(IG)、卡方检验(CHI)、互信息(MI)、期望交叉熵(ECE)、文本证据权(WE)和几率比(OR)等【3J。其中，CHI的分类效果较好但计算成本较高【4J。在英文数据集中，CHI、IG和DF

11、效果较佳，MI效果较差31；在中文文本数据集上，CHI效果最好，IG效果其次，ECE和WE次之并且相差不大，MI效果较差15，DF效果居中【4】。传统的特征选择方法是根据评估函数计算每个特征对分类的贡献程度来选择满足要求的特征子集。为了保证分类效果，考虑在评估函数对原始特征进行预选的基础上，利用优化算法进行优选以提高分类效果。黄娟娟【6】提出了基于蚁群优化算法的特征选择，通过设计适应度函数、转移规则和信息素更新等，有效地排除了关联特征和冗余特征，提高了分类性能；路永和等【7引入特征池概念对特征进行预选，并应用遗传算法对特征池特征进行优化，提高了分类准确率；刘亚南8针对特征提取的特点，提出了基于

12、遗传算法的特征提取算法，取得了高质量的分类效果；路永和等9】提出一种基于粒子群优化的文本特征选择方法，相对于传统的特征选择方法，该方法能取得更好的分类准确率；刘逵等10】提出了基于野草算法的特征选择方法，给予权重值低的词条参与特征选择的机会，并且保证权重值高的词条特征选择的优势，提高了文本特征选择的全面性和准确性；龙鹏飞等【11将蚁群算法应用到遗传算法的选择操作中，提出了一种蚁群算法和遗传算法相结合的特征选择方法，该方法提高了分类的准确率并减少了分类的时间；Krishnaveni等【12】利用和声搜索算法在包装方法下进行特征提取，使用1。近邻分类器在UCI数据集上进行分类，实验取得了比粒子群算

13、法和遗传算法更好的效果。22烟花算法烟花算法(Fireworks Algorithm，FA)是2006年由中国北京大学谭营教授提出的一种群体智能算法。不同价格和规格的烟花在黑夜中爆炸会产生不同的效果，一般价格昂贵的烟花产生的火花数量较多，爆炸产生的火花分布的范围也比较集中；价格低廉的烟花产生的火花数量较少，爆炸产生的火花分布的范围也比较分散。烟花算法通过模拟烟花在夜空中爆炸的这种行为，建立其相应的数学模型，通过引入随机因素和选择策略形成一种并行爆炸式搜索方式，进而发展成为能够求解复杂优化问题最优解的全局概率搜索方法13】。FA首先初始化算法参数与初始烟花组，然后通过爆炸算子和变异算子生成火花，

14、对超出边界的火花应用映射规则，然后使用选择算子得到下一代的烟花群体，循环直至满足停止条件为止。FA自被提出以来引起诸多研究者的注意：主要包括对烟花算法本身的研究和将其与其他群体智能算法相结合的研究。其中，在对烟花算法本身的研究上：Pei等【14】研究了适应度函数估计对于烟花算法加速性能的影响；Ding等15提出了一种并行烟花算法GPUFWA，实现烟花算法运行速度的全面加速；Zheng等1 6】对烟花算法的算子进行了分析，针对烟花算法存在的缺陷进行了改进，并最终提出“增强烟花算法”；Zheng等”】和Li等18研究了烟花算法中爆炸幅度的自适应策略，分别提出了动态搜索烟花算法和自适应烟花算法。在对

15、烟花算法和其他算法的混合研究上：Zheng等191将烟花算法和差分演化算万方数据第3期 路永和等：基于二进制烟花算法的特征选择方法 251法进行混合研究，提高了子代多样性，能有效避免早熟。Yu掣20】通过控制爆炸的振幅保证本地搜索的能力，并使用微分变异算子来搜索周边，提出了差分演化烟花算法FWADM，实验取得了极好的效果。Gao等【2u将烟花算法和文化算法进行了混合，对比了量子粒子群优化算法22】和自适应量子粒子群优化算法【2 3。，结果表明文化烟花算法具有更好的性能。烟花算法已有的研究结果证明它在优化问题上有着出色的能力。Bacanin等24用烟花算法求解约束投资组合选择问题，实验表明烟花算

16、法具有极好的解决组合优化问题的能力；Tuba等251使用烟花算法求解多目标无线射频识另I(RFID)网络规划问题，能很好地帮助实现全覆盖、无干扰、发射功率小等目的；He等【26使用烟花算法，提出了一种垃圾邮件检测参数优化的局部浓度模型，能实现最低的错误率并且其计算效率适用于现实世界。3 基于二进制烟花算法的特征选择31二进制烟花算法311算法简介原始的FA可用于解决离散化问题，但更进一步地解决组合优化问题时，需对FA进行二进制编码并加以改进，学术界称之为二进制烟花算法BFA(binary FA)。李雪源等27在2015年将二进制编码应用于烟花算法，利用BFA解决聚类问题，优化精度和稳定性都明显

17、高于PSO算法。每个烟花x产生火花的数量为【28J：numi：m掌：弩二丛型! (1)i=m掌毒婴丛!L二一 () 鱼k一厂(鼍)+占其中，m是常数，用来限制产生火花的数量，一般取50【”1；N是初始种群中烟花的数量，是烟花算法进行全局搜索的关键；Ym。是当前种群中适应度值最差个体的适应度值；AX，)是烟花墨的适应度值；占为一个极小的常数，为避免出现分母为零的情况，通常取le3811。为了避免烟花产生的火花过多或过少，定义：f阳“雅d Sam!，Sbm (2)round(S)，其他其中，S为第i个烟花可以产生火花的实际数量；S为每个烟花通过式(1)产生火花数的理论值，数值上等于num。；a、b

18、为常数且口预选特iIF维数预选特征维数O908茎07黯k 04孚0302O10葶奔$葶窜窜梦、预选特征维数罔6 Reuters21 578使用SVM分类器的实验效果对比图在Reuters21578中，使用KNN分类器时：仅使用CHI特征选择方法的分类准确率随着维数的增加而逐渐降低，使用BFA进行特征选择后，准确率比传统的CHI N提高815，比CHI FN提高37；而宏平均F1值随着维数的增加也逐渐降低，但使用BFA进行特征选择后，比CHIN提高2036，比CHI FN提高315。特征维数变化如下：300(71)，600(73)，900(305)，1200(392)，2000(428)，300

19、0(543)，4000(737)，5000(866)，10000(1926)。仅使用IG特征选择方法的分类准确率随着维数的增加而逐渐降低，使用BFA进行特征选择后，准确率比传统的IG N提高518，比IG FN提高26；而宏平均F1值随着维数的增加也逐渐降低，但使用BFA进行特征选择后，比IG N提高926，比IG FN提高l18。特征维数变化如F：300(68)，600(208)，900(313)，1200(359)，2000(520)，3000(507)，4000(716)，5000(1006)，万方数据256 情 报 学 报 第36卷10000(1178)。仅使用DF特征选择方法的分类准

20、确率随着维数的增加而逐渐降低，使用BFA进行特征选择后，准确率比传统的DF N提高419，比DF FN提高311；而宏平均F1值随着维数的增加而逐渐降低，但使用BFA进行特征选择后，比DF N提高333，比DF FN提高526。特征维数变化如下：300(61)，600(306)，900(425)，1200(566)，2000(605)，3000(696)，4000(961)，5000(989)，10000(1708)。在Reuters21578中，使用SVM分类器时：仅使用CHI特征选择方法的分类准确率随着维数的增加而逐渐降低，使用BFA进行特征选择后，准确率比传统的CHI N提高320，比C

21、HI FN提高28；而宏平均F 1值随着维数的增加也逐渐降低，但使用BFA进行特征选择后，比CHI N提高1240，比CHI FN提高317。特征维数变化如下：300(156)，600(181)，900(225)，1200(244)，2000(310)，3000(335)，4000(416)，5000(458)，10000(678)。仅使用IG特征选择方法的分类准确率随着维数的增加而逐渐降低，使用BFA进行特征选择后，准确率比传统的IG N提高515，比IG FN提高37；而宏平均F1值随着维数的增加也逐渐降低，但使用BFA进行特征选择后，比IG N提高1845，比IG FN提高617。特征维

22、数变化如下：300(181)，600(133)，900(232)，1200(154)，080霜O75牛o70鄯嚣Z 055蚕050045O-40葶牮拶拶窜葶梦预选特征维数毒牮$窜窜葶箩预选特征维数鋈80槲75熬55k 50蚕磊O80鞍075I；L 0 70悄O65芒060IZ O55茧0500450402000(180)，3000(222)，4000(289)，5000(331)，10000(914)。仅使用DF特征选择方法的分类准确率随着维数的增加而逐渐降低，使用BFA进行特征选择后，准确率比传统的DF N提高615，比DF FN提高58；而宏平均Fl值随着维数的增加而逐渐降低，但使用BFA

23、进行特征选择后，比DF N提高1340，比DF FN提高1028。特征维数变化如下：300(145)，600(279)，900(455)，1200(555)，2000(316)，3000(455)，4000(441)，5000(390)，10000(628)。442 实验二在复旦语料库中分别使用KNN和SVM进行实验，图7是使用KNN分类器(K值取12)时分类准确率和宏平均F1值的实验效果对比图，图8是使用SVM分类器时分类准确率和宏平均F1值的实验效果对比图。在复旦语料库中，使用KNN分类器时：仅使用CHI特征选择方法的分类准确率随着维数的增加而波动提高，使用BFA进行特征选择后，准确率比传

24、统的CHI N提高ll16，比CHI FN提高1118；而宏平均Fl值随着维数的增加也逐渐增大，但使用BFA进行特征选择后，比CHI N提高917，比CHI FN提高1219。特征维数变化如下：300(155)，600(186)，900(338)，1200(359)，2000(515)，3000(598)，4000(808)，5000(865)，10000(849)。零毋拶萨窜举萝预选特征维数零辜窜窜葶梦预选特征维数露降昶gkZ萤图7 复旦语料库使用KNN分类器的实验效果对比图预选特征维数如加：2如邪摹坍器烂脉惫餐卜z弓H鲫：2印巧如钙鋈附器蟮祢求g卜弓白)I万方数据第3期 路永和等：基于二进

25、制娴花算法的特征选择方法 25709搴：雩器；k 04岂03象0201预选特征维数羁牛翼gL至987654321O预选特征维数零牮爷窜葶梦预选特征维数霜牛悄星L善纠8 复旦语料库使用SVM分类器的实验：改果对比陲仅使用IG特征选择方法的分类准确率随着维数的增加而上下波动，使用BFA进行特征选择后，准确率比传统的IG N提高814，比IG FN提高616；而宏平均F1值随着维数的增加也逐渐增大，但使用BFA进行特征选择后，比IG N提高716，比IG FN提高517。特征维数变化如下：300(162)，600(235)，900(267)，1200(347)，2000(525)，3000(595)

26、，4000(795)，5000(1005)，10000(1511)。仅使用DF特征选择方法的分类准确率随着维数的增加而逐渐上升并趋于稳定，使用BFA进行特征选择后，准确率比传统的DF N提高712，比DF FN提高620；而宏平均F1值随着维数的增加而逐渐增大，但使用BFA进行特征选择后，比DF N提高713，比DF FN提高823。特征维数变化如下：300(148)，600(185)，900(228)，1200(290)，2000(523)，3000(639)，4000(616)，5000(671)，10000(968)。在复旦语料库中，使用SVM分类器时：仅使用CHI特征选择方法的分类准确

27、率随着维数的增加而逐渐下降最后趋于稳定，使用BFA进行特征选择后，准确率比传统的CHI N提高1232，比CHI FN提高2240；而宏平均F1值随着维数的增加也逐渐下降最后趋于稳定，但使用BFA进行特征选择后，比CHI N提高1435，比CHI FN提高2440。特征维数变化如下：300(147)，600(135)，900(317)，1200(570)，2000(434)，3000(647)，4000(754)，5000(1002)，10000(892)。仅使用【G特征选择方法的分类准确率随着维数的增加而上下波动最后趋于稳定，使用BFA进行特征选择后，准确率比传统的IG N提高1233，比I

28、G FN提高2231；而宏平均Fl值随着维数的增加也上下波动最后趋于稳定，但使用BFA进行特征选择后，比IG N提高1438，比IG FN提高2343。特征维数变化如下：300(142)，600(283)，900(172)，1200(3l 1)，2000(518)，3000(752)，4000(677)，5000(1105)，10000(2340)。仅使用DF特征选择方法的分类准确率随着维数的增加而上下波动，使用BFA进行特征选择后，准确率比传统的DF N提高526，比DF FN提高1638，；而宏平均F1值随着维数的增加而逐渐增大，但使用BFA进行特征选择后，比DF N提高228，比DF F

29、N提高1145。特征维数变化如下：300(141)，600(254)，900(378)，1200(594)，2000(988)，3000(492)，4000(1958)，5000(2423)，10000(1412)。45显著性检验为了验证优化前后分类准确率和宏平均F1值差异的显著性，分别对t N与*FN BFA，木FN与4一FNBFA进行配对样本T检验(其中，术为CHI、如舳加如如加m0鋈瓣器赠粼求墨L苫如舳加如如加m 0鋈僻器姑粼求蛊卜苫舳加如们如加m 0述料器始粼容器卜毫万方数据258 情 报 学 报 第36卷IG和DF三种特征选择方法的集合)，检验结果如表3所示(置信区间为95o表3显著

30、性检验评价指标毒ii港!：?t值p值准确率 +-N VS+一FNFA 一20859 0000+一FN VS+一FNBFA 一1 2148 0000宏平均F1值 4N VS+一FNBFA -16418 0000+FN VS +FN BFA 一3237 0002由表3可知，分类准确率和宏平均F1值的配对样本显著性均小于005，即配对两组数据的均值均有显著差异。46实验结果分析本文将BFA应用在文本分类的特征选择中，实验结果表明：不管是复旦语料库还是Reuters21578，本文使用BFA对中文文本特征进行选择优化后均取得较好的效果，分类准确率和宏平均F1值均得到了明显提高，且算法具有很好的稳定性。

31、就复旦语料库而言，BFA对于使用SVM分类器进行分类时的特征选择优化效果较为明显，分类准确率和宏平均F1值都有较大的提高。就Reuters一21578这个英文语料库而言，BFA使用KNN分类器进行分类时的优化效果较好。不管是用哪种方法，BFA对于Reuters2 1 578的优化效果均没有优化复旦语料库好，分析原因可能是Reuters21578的分类准确率原本就比较高，语料质量比较好，分类准确率很难有很大的提高，另外，此次试验的迭代次数对于该语料库而言可能远远不够，无法很大幅度地提高其分类准确率。观察优化后的准确率和宏平均F1值，可以发现：复旦语料库和Reuters2 1 578在使用KNN和

32、SVM分类器时，配合使用CHI特征选择方法时能使准确率和宏平均F1值保持在较高的水平，其次是IG，最后是DF。5 结 语二进制烟花算法(BFA)作为一种群体智能优化算法，烟花算法已有的研究结果证明它在优化问题上有着出色的能力，而文本的特征选择可以看成是离散组合优化问题，算法具有适用性。在使用BFA进行特征优化时，引入爆炸开始点U值的设置规则，并结合高效的初始化方法，使结果比相应维数下的CHI、IG和DF有了很大的提高，特别是在复旦语料库中，提高效果更加明显，而在英文语料库Reuters一21578中提高效果不明显，但仍有提高。在使用BFA进行优化时，特征集合的维数都比原来的更加精简，即剔除了冗

33、余的和相关性不大的特征，这时的准确率不仅比原维数下未优化的高，还均比在优化后维数下仅用CHI、IG或者DF方法的分类准确率高，证明了算法的有效性。观察实验数据，优化后的分类准确率和宏平均F 1较之于未优化均有很大的提高，且随着维数的增加，这种优化效果逐渐趋于稳定，证明了算法的稳定性。但本文的研究也存在一些不足，比如：没有优化BFA的参数设置，未在平衡时间和效果的基础上找出较好的迭代次数，容易陷入过拟合。进一步研究参数选择对算法收敛的影响以及找出最优迭代次数是接下来的研究方向。参考文献1】Liu H，Yu LToward integrating feature selection algorit

34、hms forclassification and clusteringJIEEE Transactions on Knowleageand Data Engineering，2005，17(4)：4915022 王博文本分类中特征选择技术的研究【D长沙：国防科学技术大学，20093 Yang Y，Pedersen J OA comparative study on feature selectionin text categorizationCProceedings of the Fourteenth Intemational Conference on Machine LearningMo

35、rgan Kaufmann Publishers Inc，1997：412-4204 伍建军，康耀红文本分类中特征选择方法的比较和改进J郑州大学学报：理学版，2007，39(2)：1 101135 符发中文文本分类中特征选择方法的比较【J现代计算机：专业版、2008(6)：4345，6】 黄娟娟基于KNN的文本分类特征选择与分类算法的研究与改进D厦门：厦门大学，20147 路永和，梁明辉遗传算法在改进文本特征提取方法中的应用【J】现代图书情报技术，2014(4)：4857【8 刘亚南KNN文本分类中基于遗传算法的特征提取技术研究D】青岛：中国石油大学，201 19 路永和，曹利朝基于粒子群优化

36、的文本特征选择方法J】现代图书情报技术，201 1(7)：7681【10】刘逵，周竹荣基于野草算法的文本特征选择J计算机应用2012，32(8)：224522491 1龙鹏飞，王莹莹，段焰基于蚁群遗传算法的中文文本分类中的特征提取J计算机应用与软件，2008，25(12)：106108【12Krishnaveni V，Arumugam GHarmony search based wrapperfeature selection method for 1-nearest neighbour classifierC20 1 3 International Conference on Pattern

37、 Recognition，Informatics and Mobile Engineering(PRIME)，2013：2429万方数据第3期 路永和等：基于二进制烟花算法的特征选择方法 2591314】15】1617】1819【20】21【22】23谭营烟花算法引论M】北京：科学出版社，2015Pei Y，Zheng S Q，Tan Y，et a1An empirical study on influenceof approximation approaches on enhancing fireworks algorithmC2012 IEEE International Conferen

38、ce on Systems，Man，and Cybernetics(SMC)IEEE，2012：13221327Ding K，Zheng S，Tan YA GPUbased parallel fireworks algorithm for optimizationCProceedings of the 1 5th Annual Conference on Genetic and Evolutionary Computation，2013：9-16。Zheng S，Janecek A，Tan YEnhanced fireworks algorithmC2013 IEEE Congress on

39、Evolutionary Computation(CEC)，2013：20692077Zheng S，Janecek A，Li J，et a1Dynamic search in fireworksalgorithmC2014 IEEE Congress on Evolutionary Computation(CEC)。IEEE，2014：32223229，“J，Zheng S，Tan YAdaptive fireworks algorithmC2014IEEE Congress on Evolutionary Computation(CEC)IEEE，20 1432143221Zheng Y

40、J，Xu X L，Ling H F，et a1A hybrid fireworks optimization method with differential evolution operatorsJNeurocomputing，2015，148：7582Yu C，Kelley L，Zheng S，et a1Fireworks algorithm with differential mutation for solving the CEC 2014 competition problemsC2014 IEEE Congress on Evolutionary Computation(CEC)I

41、EEE，2014：32383245Gao H，Diao MCultural firework algorithm and its applicationfor digital filters designJInternational Journal of ModellingIdentification&Control，201 1，14(4)：324331Fang W，Sun J，Xu WDesign IIR digital filters using quan-tumbehaved particle swalnl optimizationMAdvances inNatural Computat

42、ion，Springer Berlin Heidelberg，2006：637640方伟，孙俊，须文波基于自适应量子粒子群算法的FIR滤波器设计J系统工程与电子技术，2008，30(7)：1378138124】Bacanin N，Tuba M，Fireworks algorithm applied to constrainedportfolio optimization problemC#2015 IEEE Congress onEvolutionary Computation(CEC)IEEE，2015：1242-124925Tuba M，Bacanin N，Beko MFireworks

43、algorithm for RFIDnetwork planning problemC2015 25th International Confer-ence Radioelektronika(RADIOELEKTRONIKA)IEEE，2015：44044426He W，Mi G，Tan YParameter optimization of 10calconcentration model for spare detection by using fireworksalgorithmMAdvances in Swarm IntelligenceSpringer BerlinHeidelberg

44、，2013：43945027】李雪源，崔颖基于二进制编码的烟花聚类算法【J应用科技，2016(1)：3639。28Tan Y，Zhu YFireworks algorithm for optimizationCProeeedings of the First International Conference on Advances inSwarm IntelligenceVolume Part ISpringerVerlag，2010：355364【29】曹炬，贾红，李婷婷烟花爆炸优化算法J计算机工程与科学，201 l，33(1)：13814230】Kumar V，Steinbach M，Ta

45、n P N数据挖掘导论(英文版)【M北京：机械工业出版社，20103 1路永和，张宇楠中文文本分类中基于和声搜索算法的特征选择方法D】情报学报，2015，34(1 1)：1203121332Lewis DReuters一21578 text categorization text collection 10f1Prrsentation Du Crises，2004，7(2)：698333CardosoCachopo A，Oliveira A LSemisupervised singlelabeltext categorization using centroid-based classifiersCProceedings of the 2007 ACM Symposium on Applied ComputingACM，2007：844851【34NLPIR汉语分词系统EBOL【20160317http：ictclasnlpirorg(责任编辑车 尧)万方数据