1、特征選擇是模式識別系統(tǒng)中非常關(guān)鍵和重要的部分，它不僅對于人類開發(fā)和認(rèn)識未知世界、找到未知事物的聯(lián)系能夠發(fā)揮較大的作用，而且對于構(gòu)造一個實際的模式識別系統(tǒng)也起著至關(guān)重要的作用。大規(guī)模數(shù)據(jù)的不斷涌現(xiàn)，對已有的特征選擇算法提出了嚴(yán)峻的挑戰(zhàn)，這是因為與特征選擇相關(guān)的許多問題都是NP難問題，因此要找到最優(yōu)特征子集，往往是不切實際的。然而研究人員總是盡量提高特征選擇的性能，從而找到一個接近最優(yōu)的特征子集。本文在特征選擇算法設(shè)計以及盾構(gòu)地鐵隧道施工復(fù)

2、雜系統(tǒng)的數(shù)據(jù)挖掘中進行了一些研究和探討，論文的主要工作和貢獻有以下幾個方面： 1.提出了一種基于自適應(yīng)遺傳算法和支持向量機的特征選擇算法AGASVM。該方法利用自適應(yīng)遺傳算法AGA進行最優(yōu)特征子集的搜索，用支持向量機SVM作為特征子集評價方法。AGASVM用于盾構(gòu)地鐵隧道施工質(zhì)量風(fēng)險致險因子的選取，實驗結(jié)果表明了AGASVM提高了特征選擇的效率。 2.提出了一種用于解決“類標(biāo)具有約束條件的約束性多分類問題”的模型RMCM

3、和一種混沌離散粒子群算法CBPSO。將CBPSO與RMCM模型結(jié)合，得到一種基于CBPSO特征選擇的RMCM模型CBPSO-RMCM。將CBPSO-RMCM應(yīng)用于盾構(gòu)地鐵隧道施工管片襯砌過程中的管片選型預(yù)測，實驗結(jié)果表明該模型的分類準(zhǔn)確率比RMCM有明顯提高，且選取出的關(guān)鍵特征集與領(lǐng)域?qū)＜业囊庖娀疽恢?，為今后的管片選型預(yù)測提供了一種參考方法。 3.分析了Filter和Wrapper兩種模式的優(yōu)缺點，提出了一種適用于回歸的基于層