论文部分内容阅读
针对训练样本集中含有噪声样本、冗余样本以及无关样本，导致分类系统分类性能下降、不稳定的水声目标识别问题，提出了一种新的自适应遗传样本选择算法（Adaptive Genetic Instance Selection Algorithm，AGISA）。算法先随机生成初始种群，接着利用设计的遗传算子（跨代选择、白适应交叉和简化最近邻变异）指导种群进化，每代中对分类贡献大且选择样本数目少的个体适应度值高。提取了实测3类水声目标的多域特征，进行样本选择和分类识别仿真实验，结果表明：AGISA可以选出有效样本子集，在