基于改进混沌遗传算法的人脸特征选择
基于遗传算法的特征选择方法
图%
基于遗传算法的自适应特征选择过程
#
遗传特征选择的关键技术
应用遗传算法解决任何问题的关键是给出一个适合于遗
传操作的个体编码表示及定义一个较佳的适应度函数。
#$%
遗传个体表示
编码问题的关键就是要使编码能够代表所给特征集的所
有可能子集的解空间。 最简单的方法就是用一个二进制基因位 表示所选特征子集中的一个特征， 这样， 每一个遗传个体就是 由定长的二进制串构成， 它表示一个可能的最优特征子集。 据此， 一 个 长 度 为 ! 的 个 体 对 应 于 一 个 ! 维 的 二 进 制 特 它的每一位就表示包括或排除一个相应的特征。 征矢量 " ， #$?% 表示第 $ 个特征项包含于所选特征子集中， 否则 #$%" 。例如： 有 〈#%#!#’###&〉 ， 一个形如 〈%%"%" 〉 的个体 & 个特征的特征 集 表 示 为 就表示所选特征子集为 @#%， #!， ##A。 如果用穷尽搜索方法求解最优特征子集， 对于一个包含 & 个特征的集合， 将有 !& 种可能的子集组合， 如此庞大的搜索空 间， 势必是不可行的 =B>。 而用遗传算法求解， 既可保证全局最优， 又避免了巨大的搜索代价。
! 问题描述和相关工作 !$% 问题描述
因为代表问题空间的每一个特征都会增加分类系统的代 价和运行时间， 为提高搜索效率， 首先应对特征空间进行压缩， 删去多余、 对分类贡献小及对正确分类有影响的特征， 找出能 代表问题空间的最优特征子集。 该文用基于遗传算法的特征选 择作为识别系统的 “前 端 ” ， 以降低识别系统的搜索空间， 同时 保证所选出的特征子集尽可能不丢失原问题空间含有的信息，
基于遗传算法的特征选择
基于遗传算法的特征选择遗传算法是一种模拟生物进化过程的优化算法，已被广泛应用于特征选择问题。
特征选择是从原始特征集中选择出最具代表性和有区分度的特征子集，以提高机器学习算法的性能和效率。
遗传算法特征选择方法的基本原理是将每个特征看作一个基因，形成一个特征基因组，通过模拟自然界的进化过程来逐步优化选择最佳的特征子集。
具体来说，遗传算法通过以下步骤来进行特征选择：1.初始化：随机生成初始特征子集，可以是全特征集的一个子集或一个空集。
2.评估：使用其中一种评估指标来评估特征子集的质量，如分类准确率、回归误差等。
3.选择：根据评估结果，选择一部分优秀的特征子集，作为下一代的父代。
4.交叉：通过交叉操作，将父代特征子集的一些特征基因组合形成新的特征子集。
5.变异：对新生成的特征子集进行变异操作，改变一些特征基因的取值或位置。
6.替换：用新生成的特征子集替代上一代中质量较差的特征子集。
7.终止条件：重复以上步骤直到达到终止条件，如达到最大迭代次数、收敛到最优解等。
8.输出最佳解：输出最终得到的最佳特征子集，作为特征选择的结果。
遗传算法特征选择方法的优点包括：1.全局能力：遗传算法能够通过不断迭代和演化找到最佳的特征子集，有效避免了落入局部最优的问题。
2.并行计算能力：由于每一次迭代中都可以并行地对多个特征子集进行操作，因此遗传算法能够充分利用并行计算的优势，提高算法的效率和速度。
3.自适应性：遗传算法能够自适应地对特征子集进行调整和改进，根据问题的特点和要求来适应不同的数据集和应用场景。
遗传算法特征选择方法的应用场景非常广泛，包括模式识别、数据挖掘、生物信息学等领域。
在实际应用中，结合遗传算法特征选择方法可以帮助我们发现数据中最重要的特征，减少特征空间的维度，提高机器学习算法的性能和可解释性。
然而，遗传算法特征选择方法也存在一些不足之处。
首先，算法的效率会受到数据集规模和维度的限制。
当数据集较大或特征维度较高时，算法的计算复杂度会显著增加。
基于遗传算法的人脸精确定位
遗传 算法 （ ｎ ｔ ｇ ｒ ｈ — Ｇｅ ｅｉ Ａｌｏ ｉ ｍｓ ｃ ｔ ＧＡ）２ Ｌ
作 为 一种
性 ： 空 间中所有 的 点 （ 在解 ） 能成 为 编 码 空 间 解 潜 都 中的点 （ 色体位 串） 染 的表 现 型 ； ２ 健 全 性 ： 码 空 （） 编 间 中的染 色 体 位 串 必 须 对 应 解 空 间 中 的某 一 潜 在 解 ； ３ 非冗 余性 ： 色体和 潜在解 必 须一一 对应 。 （） 染 人脸精 确定 位 的任务 就是在 眼 睛中心 的粗定 位 （ 以是手 工定 位 ， 可 以是 算 法 自动 定 位 ） 可 也 的基 础 上 ， 获 得眼 睛 中心的精 确坐标 。一 般来说 ， 定位 来 粗
图象 中检测 出来 ， 这个 过程成 为人脸 检测 ， 又称 为人
脸定位 。对 于基 于 全局 特 征 的人 脸 识别 技 术 ， 般 一 在检测 出人 脸部 分 以后 ， 人 脸 部分 从 图 象 中截 取 将 出来 ， 并且 正规化 为标 准尺 寸的 图象 ， 然后 将二 维 的 人脸 图象像 素矩 阵直接 转化 为线性 空 间中的一 维 向 量， 因此 比较小 的人 脸 定位 误 差 可 能会 导 致 得 到 的 特征 向量产 生 比较 大 的变化 。事实 上 ， 有 的人 脸 所
按 照遗 传算 法 的工作 流 程 ， 当用遗 传 算 法求 解 问题 时 ， 必须在 目标 问题 的解 空 间与 染 色 体位 串编 码 空间 之间建 立联 系 。 由解 空间 向染色体 编码 空 间 的映射 称作编 码 ， 由染 色 体 编码 空 间 向解 空 间 的 而 映射称 作译码 。
每类 都有 两个 特征 向量 ， 应着 相 同的 图 象 和不 同 对
基于改进遗传算法的支持向量机特征选择
数 进 行 编 玛
息 量
体
的最 优 适 应 度 增 幅 比
Ｉ竺 兰
图２ 改进遗传算法的流程图
上 式 可 知 ，分 类 正 确 率 越 高 ，未 选 的
一
独立敏感度信 邑量和互敏感度信息量
染色体 编码 和适应度 函数
所 谓 编 码 是 指 将 问 题 的 解 空 间转 换成遗 传算法所能处理 的搜索空 间。
。
j
’
设 计思 路
责任 编辑 ： 韩汝水
基 于 改 进 遗 传 算 法 的支 持 向量 机 特 征 选 择
Fe
a
tu
re
S e le
c
t io
n
fo
r
SV M Ba
s e
d
o n
Im p
Байду номын сангаас
ro v e
d G
e n e
t i c A lg o
r
it h m
《 张 子 宁 单甘霖 段 修 生 张 岐 龙 军 械 工 程 学 院 光 学与 电 子 工 程 系 (河 北 石 家 庄 0 5 0 0 0 3 )
设
压
自 适应煲异率
算
敏 惑 度
÷
日
适
应
构 造 初
始
计算种群 的适 应 度
并找 出该 群体 中的 最优 个 体
选 择 交 叉
以
得
到 新 种
群
计算 新 种 群 相 对于 旧 种群 中
度
函
化
群
及
变
异 操 作
域
。
改进遗传算法选择特征在入侵检测中的应用
４ 算法 描述
４１ 算 法 设 计 ．
４１ ．． １编码
编码 ，根据 问题解 的特点 ，用 某种 编码方式将 问题 的解
这 里编码使用 经典 的二 进制编码 方法 ，该 方法简 单且非
表示成字 符 串。编码 的策略 和方 法对 于遗传算子 ，尤其 对交
叉和变 异算子 的设计 和功能有很 大 的影 响 。因此 ，编码 方式 选择会直接影响最终结果 。Ｂ ｌｋｉ ｍ ｎ等全面地讨 论 了不 同 ａ ｒｈ ａ ａ ｓ 编码方法的特性 ，为设计和选择编码法的方法 提供 了指南 。
择存 在收敛速度慢 、收敛结 果不理想等缺点 ｆ ４ １ 。下文对遗传算
法 中 的 适 应 度 函 数 进 行 改 进 ， 并 用 于 入 侵 检 测 数 据 集
传 操作 （ 中包括交叉 、变异） 其 ；最后按照适者生存和优胜劣
作者简介 ：庄辉 （９ ７ ） １７ 一 ，男 ，本科 ，研究方 向 ：网络安全 ，
系 统 管 理 和应 用 软 件 开 发 。
收 稿 日期 ：２ １— ８ ２ ０２０—７
（ Ｄ ９ ） 的特征选择 ，然后通 过集成学 习证 明该方法 的可行 Ｋ Ｄ９性 和有 Nhomakorabea效 性 。
２ ＫＤＤ ＣＵＰ９ ９
１９ ９ ９年 Ｄ Ｐ Ａ为 Ｋ Ｄ （ 识 发 现 与 数 据 挖 掘 Ｋ ｏ ｌｄｅ ＡＰ Ｄ 知 ｎ ｗｅｇ
侵 检测系统 的研究工作 ，用一套标 准格式 的数据来评 估各 种
入侵检测 系统 的性能。Ｋ Ｄ Ｃ Ｐ９ Ｄ Ｕ ９共有 ５ ０ ０ ０条数 据 （ ０００ 样 本） ，每条数 据有 ４ ２维 ，前 ４ １维是 特征 属性 （ 中包 含 ３ 其 ４ 个数值 型字段 和 ７个非数值 型字段） ，最后 一维是类 别属性 ， 类别属性表示是否属 于攻击类 型 。类别属性共有 ２ ３个不 同的 取值 ，即除 ｎ ｒ ｌ ｏ ｍａ 以外有 ２ ２种攻击 ，攻击类 型主要分 为 ４大
基于遗传算法的特征选择方法研究
基于遗传算法的特征选择方法研究引言数据中的特征选择一直以来都是机器学习和数据挖掘领域的关键问题之一。
特征选择是从大量的特征中选择出最具有代表性和对目标任务最有用的特征。
在实际应用中，选择合适的特征可以提高机器学习算法的准确性、降低计算复杂度并减少存储需求。
在本文中，我们将介绍基于遗传算法的特征选择方法，并分析其在各个领域的应用及优势。
一、遗传算法简介遗传算法是一种模拟自然生物进化过程的优化算法，通过模拟自然界生物种群的演化，以寻找最佳解。
遗传算法主要包括选择、交叉、变异等基本操作。
通过对种群中个体的适应度评估和选择，以及基因的交叉和变异，可以不断优化求解问题的适应度值，并逐渐逼近最优解。
二、特征选择的方法特征选择方法可以分为三大类：过滤式方法、包装式方法和嵌入式方法。
过滤式方法通过计算特征的相关性或者信息熵等指标，独立于具体的学习算法，从而选择出最具有代表性的特征。
包装式方法则将特征选择问题视为一个优化问题，利用机器学习算法的性能评估指标作为目标函数，通过搜索算法选择出最优的特征子集。
嵌入式方法则将特征选择融入到学习算法中，通过学习算法自身的优化过程选择出最优的特征子集。
三、基于遗传算法的特征选择方法基于遗传算法的特征选择方法是一种包装式方法，它通过自动优化特征子集的选择，提高机器学习算法的性能。
其基本思想是将特征子集表示为二进制编码的染色体，并使用遗传算法进行进化优化。
具体而言，基于遗传算法的特征选择方法包括以下步骤：1. 初始化种群：随机生成一定数量的个体作为种群。
2. 适应度评估：根据染色体表示的特征子集，使用机器学习算法训练模型，并根据模型的性能评估指标计算每个个体的适应度。
3. 选择操作：根据个体的适应度值，使用选择算子选择出一部分优秀的个体作为父代。
4. 交叉操作：从父代中选择两个个体，通过交叉算子生成下一代的染色体。
5. 变异操作：对新生成的染色体应用变异算子进行变异操作，引入新的基因。
遗传算法在人脸识别中的应用案例
遗传算法在人脸识别中的应用案例人脸识别技术是近年来快速发展的一项前沿技术，它在安全领域、智能手机解锁、人脸支付等方面都有广泛的应用。
而遗传算法作为一种优化算法，也被广泛应用于人脸识别中，以提高识别准确率和效率。
本文将介绍一些遗传算法在人脸识别中的应用案例，并探讨其优势和局限性。
一、遗传算法在特征提取中的应用在人脸识别中，特征提取是非常重要的一步。
传统的特征提取方法如主成分分析（PCA）、线性判别分析（LDA）等，都存在一定的局限性。
而遗传算法可以通过优化特征选择的过程，自动地找到最佳的特征子集，从而提高识别准确率。
以基于遗传算法的特征选择方法为例，首先将人脸图像转化为数字矩阵，然后通过遗传算法来选择最佳的特征子集。
遗传算法通过模拟进化过程中的选择、交叉和变异等操作，不断优化特征子集的性能。
通过这种方法，可以减少特征维度，去除冗余信息，提高分类器的性能。
二、遗传算法在分类器设计中的应用分类器是人脸识别中的核心组件，它的设计直接影响到识别准确率。
遗传算法可以应用于分类器的参数优化，以提高分类器的性能。
以基于遗传算法的支持向量机（SVM）参数优化为例，首先通过遗传算法来搜索最佳的SVM参数组合，如核函数类型、惩罚因子等。
然后使用优化后的参数训练SVM分类器，从而提高分类准确率。
三、遗传算法在人脸图像增强中的应用人脸图像质量对于识别准确率有着重要影响。
而遗传算法可以应用于人脸图像增强，以提高图像质量，从而提高识别准确率。
以基于遗传算法的图像增强为例，首先通过遗传算法来寻找最佳的图像增强参数，如对比度、亮度等。
然后使用优化后的参数对人脸图像进行增强处理，从而提高图像质量，增强人脸特征的可辨识度。
遗传算法在人脸识别中的应用具有一定的优势，但也存在一些局限性。
首先，遗传算法的计算复杂度较高，需要大量的计算资源和时间。
其次，遗传算法的结果具有一定的随机性，可能无法保证每次都能找到全局最优解。
此外，遗传算法的参数设置也对结果产生一定的影响，需要经验和调优。
一种基于改进遗传算法的文本特征选择方法
出用遗传算法进行文本特征选择 ． 传统遗传算法适应性较差 ， 本文对传统遗传算法交叉概率 、 变异概率 、 新策略等重要参数 和关 更 键环节作 了改进 ， 实验验证 了该算法的有效性 ．
关键 词
信息过滤 ； 特征选择 ； 遗传算法
中图分 类号 Ｔ １ Ｐ３ ０
文本 自动分类是进行信息过滤的关键 技术 ． 目前在文本 自动分类中主要采用 向量 空间模 型来 表示文本 ， 即以向量（。 ， ｔ 。
征 子集 ．
２ ２ 群体规模和初始种群的生成 ．
群体规模影 响遗 传算法效能 的发挥 ， 规模 太小 ， 降低种群 的多样性 ， 算法易 于陷于局部最
优解 ； 规模太大 ， 算法 的计算量增大 ． ］群体规模一般取个体编码长度的一个线性 函数 ， 如群体规 模 ｍ＝ｔ 为介 于 ｌ和 ２ ｍ， 之
１ 文本 的表 示
最常用的文本 表示模 型是 向量空 间模型 （ ｅｔ ａｅＭ ｄｌＶ Ｍ）在 向量空间模型 中文本被形式化地表示为 ｎ维 空间中 Ｖ ｃ ｒ ｐｃ ｏｅ， Ｓ ． ｏＳ
的向量 Ｄ ＝（ 。 ｔ 。 ｔ ，
， ， ） 是第 五个特 征项 ， 是第 五个特征项的权重 ， … ｆ ， 权重描述 了词在 表示文本 内容上 的重要
Ｊｎ２０ ｕ ．Ｏ ７
Ｖ １２ ｏ ２ ０．２ Ｎ ．
一
种 基 于 改进 遗传 算 法 的文本 特征 选 择 方 法
李桂芳 刘培 玉
（ 山东师范大学信息科学与工程学院 ， ０１， ２ ０４济南∥第一作者 ３ 岁 ， 硕士生 ） ５ ２ 女，
摘要
文本特征选择对提高文本分类的速度 和准确率 ， 改善网络信息过滤效果 至关重要 ． 把特征选择 看作优化组合 问题 ， 提
一种基于改进遗传算法的特征选择方式
的思 想提 出的一 种全局 启发式 优化 算法 ＿ ２ ］ 。为 复
Ｏ 引 言
在原 始特 征 集 中 ， 包 含 着 可 用 于 分类 的全 部
特征 向量 。如 何从 原始 特征 向量集合 中提取 出一
杂 问题 的求 解提 供 了一个通 用框架 。由于其具 有
全局 并行搜 索 、 很 好 的鲁棒性 和通 用性 强等特 点 ， 使得 该算 法不 易 陷于 局 部最 优 ， 同时 不 依赖 于 问 题 的梯度信 息 ， 尤 其适 合 于 传统 搜 索 方 法所 不 能 解决 的复 杂 问题 和 非 线 性 问 题口 ］ ， 并 在 许 多 领
但是 遗传算 法也 存在不 足之 处 ： １ ） 在 缺少 覆盖整 体样本 分 布的训 练样本 的情
况下， 其 所获得 的解 的泛化 能力 较差 ；
在 缺少 覆盖整 体 样 本分 布 的训 练样 本 时 ， 如 何 获 得 泛化 能力更 强 的特征 子 集 ， 这 是 一 个 亟待 解 决
的Ｊ ｏ ｈ ｎ Ｈｏ ｌ ｌ ａ ｎ ｄ教 授 根 据 生 物 进 化 论 和遗 传 学
传 算法 （ 简称 Ｐ ＫＧ — ＧＡ） 。该 方 法 利 用 问题 的先
第 １期
李红磊 ： 一 种 基 于 改 进 遗 传 算 法 的 特征 选 择， 以适 度先 验知 识优 先为 原则 ， 通 过构
域ｌ ４ 获得 了成功 应用 。
组特 征 向量作 为分类 依据 才能 最好 程度解 决所 有 样本 分类 问题 ， 这 是 组合 优 化 范 畴 内 特征 的选 择
问题 。特征选 择 也 称 为特 征 子 集选 择 ， 而最 佳 特 征 子集选 择 是 一 个 典 型 的 ＮＰ类 问题 ｌ １ ］ 。但 是 ，
基于CGA和PCA人脸特征的提取方法
Ｃ ｉａ２ Ｃ ｍ ｕｅ Ｓ ｉ ｃ ｅ ａｔ ｅｔ ｆ ｉ ｈ ｉ ｎｖｒ ｔ， ｉ ｎ １０ ６ Ｃ ｉａ ｈｎ ；． ｏ ｐ ｔ ｃ ｎ ｅＤ ｐｒ ｎ ｎ ａ Ｕ ｉ ｓｙ Ｘｎ ｇ８ ０ １ ， ｈｎ ） ｒ ｅ ｍ ｏＱ ｇ ｅｉ ｉ
Ａｂｓｒ ｃ ：Ａｉ ｎ ｔｔ ｅ ｐ ｏ ｌｍ ｆｈ ｗ ｏ ｄ ｔ ｒ ｎ ｈ ｉ ｎｓｏ ｆｔ ｅ ｅｇ ｎ ｅ ｔｒ ｎ ｐ ｎ ｉ ａ ｔａ ｔ ｍｉ ｇ ａ ｈ ｒ ｂ ｅ ｏ ｏ ｔ ｅｅ ｍｉ ｅ ｔ ｅ ｄ ｍｅ ｉ ｎ ｏ ｈ ｉ ｅ ｖ ｃ ｏｓ ｉ ｒ ｃ ｐ ｌ ｉ
ｃｎ ｏ ｅ ｔ ｎｌｓ Ｐ Ａ） ａｎ ｖｌａｅｒｃｇ ｉｏ ｔｏ ａｅ ｎｔｅｃｍ ｉａｉ ｆ Ｃ ｎ ｏｌ ｎ ｎ ａ ａ ｉ Ｃ ， ｏｅ ｆｃ ｅｏｎｔ ｎｍｅ ｄｂ ｓｄｏ ｏ ｂｎ ｔ ｎｏ Ａ ａ ｄ ｐ ｙ ｓ（ ｉ ｈ ｈ ｏ Ｐ ｃ ａｓ ｅｅｉ ａ ｏｉ ｍ （ Ｇ ｈｏ ｎ ｔ ｌ ｒｈ Ｃ Ａ）ｉ ｐｏ ｏｅ ．Ｔ ｅ Ｇ ｓ ｓｄｉ ｆ ｔ ｅ（ ｉ ｎｅ ｔ ）ｓｌ ｔ ｎ ｇ ｃ ｇ ｔ ｓ ｒｐ ｓｄ ｈｎＣ Ａ ｉ ｕｅ ｎ ｅ ｕ ａ ｒ ｅ ｅ ｖｃ ｒ ｅｅ ｉ ｇ ｏ ｃｏ
ｄ ｃ ｓ ｔ ｅ ｄ ｍｅ ｓｏ ｓｏ ａ ｅ ｆａｕ ｅ ｓ ａ ｅ ｗｉｈ ｈ ｇ ｌ ｃ ｕ ａｅ ｒ ｃ ｇ ｉｉｎ ｒ ｔ ｕ ｅ ｈ ｉ ｎ ｉ ｎ ｆｆ ｃ ｅ ｔ ｒ ｐ ｃ ｔ ｉｈ ｙ ａ ｃ ｒ ｔ ｅ ｏ ｎ ｔ ａｅ，ｂ ｔａｓ ｃ ｉｖ ｓ ｏ ｕ ｌｏ ａ ｈｅ ｅ
第２ ８卷
第 ５期
青 海 大 学 学 报 （ 自 然 科 学 版 ） Ｊｕｎｌ ｆ ｉｇａ Ｕ ｉ ｒ ｔ（ ａ ｒ ｃ ｎｅ ｏ ｒａ ｏ ｎｈ ｉ ｎｖ ｓｙ Ｎ ｔ ｅＳｉ ｃ ） Ｑ ｅｉ ｕ ｅ
Matlab基于遗传算法的特征选择方法
Matlab基于遗传算法的特征选择方法引言：机器学习和数据挖掘在当今科学领域中扮演着重要角色。
为了提高算法的效率和准确性，特征选择成为了一个非常重要的研究方向。
特征选择的目的是从原始数据中选择出最具有代表性的特征集合，以提高模型的泛化能力和性能。
本文将介绍一种基于遗传算法的特征选择方法，用于解决这个问题。
一、特征选择的意义和挑战特征选择是机器学习和数据挖掘中一个非常重要的预处理步骤。
在实际应用中，原始数据集通常包含大量的特征变量，但并非所有的特征对于建立模型都有贡献。
过多的特征可能导致维度灾难和模型复杂度增加，而不具有代表性的特征可能对模型的性能产生负面影响。
因此，特征选择的目的是从原始特征中筛选出最有代表性的特征子集，以提高模型的性能和泛化能力。
然而，特征选择面临着很多挑战。
首先，特征选择问题是一个组合优化问题，寻找最佳子集需要遍历所有可能的特征组合，计算成本非常高。
其次，如何衡量特征的代表性和相关性也是一个难题。
不同的评价指标对特征选择的效果有着不同的解读，需要根据具体问题选择合适的指标。
此外，特征与目标变量之间的关系也可能是非线性的，如何处理这种复杂的关系也是一个挑战。
二、遗传算法介绍遗传算法是一种模拟生物进化过程的优化算法。
它通过模拟生物的变异、交叉和选择等操作，在搜索空间中寻找最优解。
遗传算法的基本思想是通过迭代的方式，逐渐优化候选解的质量。
遗传算法的基本步骤包括初始种群的生成、适应度函数的定义、选择操作、交叉操作、变异操作和终止条件的设置等。
其中，适应度函数用于评估候选解的质量，选择操作根据适应度值选择优秀的个体，交叉操作模拟遗传信息的交换，变异操作引入随机性，终止条件用于控制算法的停止。
三、基于遗传算法的特征选择方法基于遗传算法的特征选择方法将特征选择问题转化为一个优化问题。
它通过选择、交叉和变异等操作，逐渐优化特征子集的质量。
下面将介绍该方法的具体步骤。
1. 初始种群的生成初始种群是特征子集的初始候选解集合。
基于混沌遗传算法的SVM特征和参数优化
其 自身 的规律不重复地遍历所有状态。经常与其他进化算法
结合使用 ， 用于遗传算法 中以设计和保持演化群体的多样性 。
遗传搜索 ，实现 Ｓ Ｍ 参数 的优化 。 Ｖ
另外 ，样 本特征 子集的选择也很重要 。原始样本特征集
文 献［】 ３利用高光谱数据集进行一系列分类算法分析后 ，得 出
其 中，０ ｌ ； 是迭代次数 ，ｋ ｌ ， 是控制参量 ， ≤Ｘ≤ｌ ＝ ， …； ２
当 ｐ ４时系统完全处于混沌状态 ，此时 Ｘ 在【，】 ＝ ０１的范 围内
变化 。
特征 的增 加对 Ｓ Ｍ 分类置信度按显著性水平 ５ Ｖ ％减少 。文
Ｓ ＶＭ ａ ｕ ｅａ ｄ Ｐａ ａ ｅ ｅ ｔｍ ｉ ａ ｉ ｎ Ｆｅ ｔ ｒ ｎ ｒ ｍ ｔ ｒ０ｐ ｉ ｚ ｔｏ Ｂａ ｅ ｎ Ｃｈａ ｔｃＧｅ ｅ ｉ ｇ ｒ ｔ ｍ ｓｄ０ ｏ ｉ ｎ ｔ Ａｌ ｏ ｉｈ ｃ
Ｄ Ｕ Ｚｈａ ｌｎｇ ，ＴＡ Ｎ ｓ ｎ－ｏ Ｙｅ－ｈｕａｎｇ ，Ｇ ＡＮ ｎｇ Ｔｏ
ｄ ｎａ ｉ ｒｄ ｃｎ ｅ ｒ ｈｎ ｓ ｃ ｉ ｙ ｍ ｃ ｅ ｕ ｉｇ ｓ ａｃ ｉｇ ｐａ ｅ ｓ ｅ ｏ ｕｔ ｒ ｏ ｔｍｉａｉｎ ｕｓｄ ｆ ｒ ｆ ｒ ｈｅ ｐ ｉ ｚ ｔｏ ．Ｔｈ ｓ ｉ ｍｅｈ ｄ ｉ ａ ｐ ｉｄ ｏ ｆｕ ｔｃａ ｓｆｅ ｏ ｉａｉｎ ｏ ｔｍｉａｉｎ ｆ ｔｏ ｓ ｐ ｌｅ ｔ ａ ｌ ｌｓ ｉ ｒ ｃ ｍｂｎ ｔ ｐｉ ｚ ｔｏ ｏ ｉ ｏ
现有很 多优化 Ｓ Ｍ 参数的方法。文献［］ 出了一种采用改 Ｖ １提
２ 基于变尺度混沌遗传算法的联合优化
２１ 混沌运动 ． 混 沌是 自然界广 泛存在 的一种 非线性 现象 ，具有 随机 性、遍历性和初始条件敏感性等特点 ，在 一定范围内能够按
基于遗传算法的特征选择知识讲解
基于遗传算法的特征选择知识讲解1.基本原理：基于遗传算法的特征选择主要通过三个操作来模拟自然界的进化过程：选择、交叉和变异。
在每一代中，根据其中一种目标函数，从当前的特征子集中选择适应度较高的个体，将它们进行交叉和变异操作，生成新的个体。
通过不断迭代，逐渐寻找到最优的特征子集。
2.适应度函数：适应度函数在基于遗传算法的特征选择中起到了重要作用。
适应度函数的定义需要结合具体的分类任务和评估指标，常见的有准确率、召回率、F值等。
适应度函数的目标是寻找到一个特征子集，使得分类器的性能达到最优。
根据问题的具体要求，适应度函数可以进行灵活的定义。
3.选择操作：选择操作是基于适应度函数，从当前的特征子集中选择出适应度较高的个体。
常用的选择策略包括轮盘赌选择、锦标赛选择等。
轮盘赌选择根据每个个体的适应度值，计算出其被选择的概率，然后随机选择个体。
锦标赛选择则是随机选择一定数量的个体，从中选择适应度值最高的个体作为下一代的父代。
4.交叉操作：交叉操作是基于染色体的基因组合，生成新的个体。
常用的交叉方式有单点交叉、多点交叉、均匀交叉等。
单点交叉是在染色体的其中一个位置进行切割，然后将两个父代的染色体片段进行互换，得到两个新的个体。
多点交叉和均匀交叉则是在多个位置或全部位置进行切割和互换。
5.变异操作：变异操作是为了增加种群的多样性，防止陷入局部最优。
常用的变异方式有位变异和插入变异。
位变异是对染色体的其中一位基因进行随机变异，比如将0变为1或将1变为0。
插入变异则是将染色体上的其中一个基因插入到另一个位置。
6.终止条件：终止条件是指算法停止迭代的条件。
常见的终止条件包括达到最大迭代次数、种群的平均适应度达到阈值、种群的适应度值趋于稳定等。
-能够通过自动的方式发现最优的特征子集，避免了人工选择特征的主观性和主观性的错误。
-能够处理大规模的特征集合，有效地减少了特征维度。
-能够对特征之间的相关性进行处理，提高了分类器的预测性能。
多变异自适应遗传算法特征筛选的人脸检测
经 过 几 十年 的研 究 ， 许 多 研 究 者 提 出 了有 效 的人 脸 检 测 方 法 ． 文献 ［ ２ ］ 采 用 了 Ｈａ ａ ｒ — Ｌ ｉ ｋ ｅ特征 提 取 和 积 分 图像 的概 念 ， 结合 Ａ ｄ ａ Ｂ ｏ ｏ ｓ ｔ 算 法 构 建人 脸 检 测 器 ， 在 人脸 检 测 研 究 中取 得 了里程 碑 式 的成 功 ； Ｚ ｈ ａ ｎ ｇ等 ［ ３ ］
多变异 自适应遗传 算法特征筛选 的人脸检测
徐 柏 科 ， 李春贵 ｂ ， 阳树 洪 ｂ ， 徐 浩 ， 付 行
（ 广 西 科 技 大学 ａ ． 电气 与 信 息 工 程 学 院 ， ｂ ． 计算机学院 ， 广西 柳州 ５ ４ ５ ０ ０ ６ ）
摘
要： 通过研究基于 Ａ ｄ ａ Ｂ ｏ ｏ ｓ ｔ 算法的人脸检测 ， 针对提取的 Ｈ ａ ａ ｒ 特征 维数 过 高且 有 冗 余 ， 耗时过大 ， 严 重影 响 了人
脸检测速 度等问题 ， 提 出 了基 于 多变 异 位 自适 应 遗 传 算 法 （ Ｍｕ ｌ ｔ ｉ ｐ ｌ ｅＭｕ ｔ ａ ｔ ｉ ｏ ｎＡ ｄ ａ ｐ ｔ ｉ ｖ ｅＧ ｅ ｎ ｅ ｔ ｉ ｃ Ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ， Ｍ ＭＡ ｄ ａ ｐ Ｇ Ａ）
的特征选择人脸检测方法． ＭＭＡ ｄ ａ ｐ Ｇ Ａ 采 用 类 内类 间 比作 为适 应 度 函数 ， 寻 找 其 最 优 个 体 所 对 应 的基 因链 ， 然 后 演 化 得到全局最优特征 ， 以此 降低 特 征 空 间维 数 及 冗 余 度 ． 实验结果表 明 ： 检测率 （ Ｄ Ｒ） 与误检 率（ Ｆ Ｄ Ｒ） 不 仅 没有 下 降 ， 而
遗传算法在图像生成与特征提取中的应用技巧
遗传算法在图像生成与特征提取中的应用技巧遗传算法是一种模拟自然界进化过程的优化算法，在图像生成和特征提取领域有着广泛的应用。
本文将探讨遗传算法在这两个领域中的应用技巧，并介绍一些相关的案例。
一、遗传算法在图像生成中的应用技巧1.1 基于遗传算法的图像生成方法遗传算法可以通过对图像的像素值进行编码，通过进化过程来生成新的图像。
首先，将图像转化为一个个像素点，并将每个像素点的像素值编码成遗传算法中的染色体。
然后，通过选择、交叉和变异等操作，对染色体进行进化，生成新的染色体。
最后，将新的染色体解码成图像，即可得到生成的图像。
1.2 遗传算法在图像生成中的优化策略在图像生成过程中，遗传算法可以通过优化策略来提高生成图像的质量。
例如，可以通过适应度函数来评估生成图像的好坏，然后根据适应度值选择优秀的染色体进行繁殖。
此外，还可以通过调整遗传算法的参数，如种群大小、交叉概率和变异概率等，来优化生成图像的效果。
1.3 遗传算法在图像生成中的应用案例遗传算法在图像生成领域有着广泛的应用。
例如，可以利用遗传算法生成艺术风格的图像，通过对染色体进行进化，生成具有特定艺术风格的图像。
此外，还可以利用遗传算法生成逼真的人脸图像，通过对染色体进行进化，生成具有真实感的人脸图像。
二、遗传算法在特征提取中的应用技巧2.1 基于遗传算法的特征选择方法特征选择是特征提取的关键步骤，可以通过遗传算法来进行优化。
遗传算法可以通过选择、交叉和变异等操作，对特征进行进化，选择出对目标任务最有用的特征。
通过遗传算法进行特征选择，可以提高特征的判别能力，减少特征的冗余性。
2.2 遗传算法在特征提取中的优化策略在特征提取过程中，遗传算法可以通过优化策略来提高特征的质量。
例如，可以通过适应度函数来评估特征的好坏，然后根据适应度值选择优秀的特征进行进化。
此外，还可以通过调整遗传算法的参数，如种群大小、交叉概率和变异概率等，来优化特征的效果。
2.3 遗传算法在特征提取中的应用案例遗传算法在特征提取领域也有着广泛的应用。
基于遗传算法的支持向量机人脸识别技术
构风险最小原理基础上的，结构简 单、学习性能优越 ，可防止过学习现象和 陷入局部最小 问题，这些特
点是传统神经 网络学习算法所 不及 的，它 已经成 为机器学 习领域 的研 究热 点．人脸识别过程如图 １所 示 ，它有两个关键环节：特征提取和 识别，人脸检测与归一化主要是在含有人脸 的图像 中准确找到人
愉
测
‘ 』
ｌ
— — ●
化
象 素的灰度值 ，而孤立地 改变某 个象素的灰度值是没 有意义的．而使用 Ｋ Ｌ变换后 ，每个描述量都有其各 自的作用 ，因此通过改变这些参数的值就可实现对 －
模型的有效描述．首先在 已建立的人脸 图像库中，利用 Ｋ Ｌ变换确定相应的人脸基图像，再用这些基 图 ．
人脸 识别方法的实验结果表 明，该方法所 得参数 确定的 Ｓ Ｍ 具有较优 的识别率 ，其整体性 能优 良． Ｖ
关 键 词 ：支 持向量机 ；核 函数 ；遗传算法 ；人脸识别 中图分类号 ：Ｔ ３ １ Ｐ９ ． ４
收 稿 日 期 ：２ ０ —１ —１ ０５ ２ ２
文献标识码 ：Ａ
文章编号 ： １７ ＂２ ５ ２ ０ ）０ 一Ｏ ３ —０ ６ １ ２ ０（ ０ ６ ５ Ｏ ０ ３
脸 ，并将人脸进行预处理转化成适合计算机处理 的格式 ；特征提取是对 归一化 后的人脸提 取出主要特
征 ，本文利用 ＫＬ变换法提取出 效的人脸 像特征，最后用基 于遗传算法的 Ｓ Ｍ 方法对人脸的特征差 ． Ｖ
＿
另 进行 识 另 ． ０ ０
＾ 、
腑
１ 基于 ＫＬ变换 的有效特征提取 －
２ 基于
目前应用于人脸识别的方法主要有：Ｒ ｗｅ ｏｌ ｙ等人提出的基于神经 网络的方法、Ｆｓｅ 判别法和基于 ｉ ｒ ｈ
基于混沌搜索的特征选择方法
基于混沌搜索的特征选择方法申清明;闫利军;高建民;赵静【期刊名称】《兵工学报》【年(卷),期】2013(034)012【摘要】针对特征选择效率较低的问题,提出了一种基于混沌搜索的特征选择(CSFS)方法.建立候选特征-混沌变量映射模型,将候选特征映射到混沌空间,实现候选特征向量与混沌变量之间的相互转化;利用混沌变量迭代演化进行特征选择;利用分类器对得到的特征向量进行性能评价.以焊缝缺陷特征为例对该特征选择方法进行了有效性验证,并与基于遗传算法的特征选择(GAFS)方法进行了对比.实验结果表明:在获取的特性向量的识别性能相当的情况下,CSFS方法的耗时仅为GAFS方法的61.1％.【总页数】4页(P1616-1619)【作者】申清明;闫利军;高建民;赵静【作者单位】西北机电工程研究所,陕西咸阳712099;西安交通大学机械制造系统工程国家重点实验室,陕西西安710049;西北机电工程研究所,陕西咸阳712099;西安交通大学机械制造系统工程国家重点实验室,陕西西安710049;西安交通大学机械制造系统工程国家重点实验室,陕西西安710049;西北机电工程研究所,陕西咸阳712099【正文语种】中文【中图分类】TN911.7【相关文献】1.基于支持向量机递归特征消除和特征聚类的致癌基因选择方法 [J], 叶小泉;吴云峰2.基于特征相关的偏最小二乘特征选择方法 [J], 曾青霞;杜建强;朱志鹏;聂斌;余日跃;喻芳3.基于改进特征子集区分度的行为识别特征选择方法 [J], 王瑞杰;李军怀;王侃;王怀军;商珣超;徒鹏佳4.基于变异系数和最大特征树的特征选择方法 [J], 徐海峰;张雁;刘江;吕丹桔5.基于特征贡献度与线性搜索的特征选择方法 [J], 郭文斌;丘康平;蔡惠坤因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进遗传算法的确定范围内SVM参数选择
基于改进遗传算法的确定范围内SVM参数选择
甘旭升;李华平;高海龙
【期刊名称】《火力与指挥控制》
【年(卷),期】2013(038)010
【摘要】提出了在确定范围内采用改进遗传算法自动选择支持向量机(SVM)参数的方法.首先,通过分析SVM的参数取值与模型性能的关系,确定各参数的限定范围,然后,分析了遗传算法的不足,通过引入递阶编码、小生境共享和自适应交叉概率等技术对其进行改进,最后,以所确定的范围作为搜索区间,利用改进的遗传算法自动选择SVM参数.实验结果验证了该方法的有效性.
【总页数】4页(P134-137)
【作者】甘旭升;李华平;高海龙
【作者单位】西京学院,西安710123;空军西安飞行学院,西安710306;解放军93132部队,黑龙江齐齐哈尔160072
【正文语种】中文
【中图分类】TP271
【相关文献】
1.基于遗传算法优化参数SVM的备件需求预测研究 [J], 邱立军;付霖宇;董琪;顾钧元
2.基于改进遗传算法的SVM参数优化研究 [J], 马元良;裴生雷
3.改进的遗传算法在SVM参数优化中的应用 [J], 刘虎;罗斌;吴晟;侯明
4.基于遗传算法的不确定系统的鲁棒控制参数选择 [J], 谭海花;林峰;黄志强
5.基于改进烟花算法的SVM特征选择和参数优化 [J], 沈永良;宋杰;万志超
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
用两种 不同规则 的混沌映射， 维持 了种群的 多样性 ， 强了算法 的全 局搜 索能力。利用 改进 的混沌 遗传 算法对 Ｐ Ａ 变换 后 的特征 增 Ｃ 向量进行选择 ， 以快速搜索到最有利于分类的特征子空 间。仿真实验 表 明， 可 该方法不 但降低 了特 征空 间的维数 ， 而且获得 了比采
ｐ ｒ ｒｐ ｓｓａｎ ｖ ｌ ｅ ｔ ｅｓｌｃ ｏ ｔｏ ａｅ ｎａ ｐｏ ｅ ｈ ｏ ｅ ｅ ｃａ ｏｉ ｍ（Ｃ Ａ） Ｔ ｅａ ｏｉ ｍ ｕ ｅ ｏｋ ｄ ｆ ｈ ｏｉ ｅ ｐｏ ｏｅ ｏ ｅ ｆａ ｒ ｅｔ ｎｍｅ ｄｂ ｓｄｏ ｎ ｉ ｒ ｄｃ ａｓ ｎ ｔ ｌ ｒ ｈ Ｉ Ｇ ． ｈ ｌ ｒ ｈ ｓｓ ｗ ｉ ｓ ａ ｔ ｕ ｅ ｉ ｈ ｍ ｖ ｇ ｉ ｇ ｔ ｇ ｔ ｔ ｎ ｏｃ ｃ
ｔｒ ｅｇｎ ｅ ｔ ）ｓｌ ｔ ｎａ ｅ ｔｅｔ ｎｆ ｍａ ｏ ｆ Ｃ ｗ ｉ ａ ｕｃ ｌ ｆ ｄ ｏ ｔ ｅ ｔ ｅｓ ｂ ｐ ｃ ａ ｉ ｍ ｓ ｂ ｎ ｆ ｉ ｌ ｓ ｉ — ｕｅ（ ｉ ｖｃｏ ｅ ｃｉ ｆ ｒ ｈ ａ ｓ ｒ ｔ ｎｏ Ａ， ｈ ｈｃ ｎ ｑ ｉｋ ｎ ｕ ｆａ ｒ ｕ ｓ ａ ｅｔ ｔ ｓ ｏｔ ｅ ｅ ｃ ｌ ｏｃ ｓｉｃ ｅ ｒ ｅ ｏ ｔ ｒ ｏ ｉ Ｐ ｃ ｙｉ ｕ ｈ ｉ ａｔ ａ ｆａ
ｔｎ ｉ ．Ｔ ｅｅ ｐ ｒ ｎ ｅ ｕ ｔ ｄｃ ｔ ａ ｅｐ ｏ ｏ ｅ ｔ ｏ ｏ ｎ ｙ ｒ ｄ ｃ ｓｔ ｅ ｄｍｅ ｓｏ ｓｏ ｃ ｅ ｔ ｒ ｐ ｃ ， ｕ ｌｏ ａ ｈ ｅ ｅ ｉ ｈ ｒ ｏ ｈ ｘ ｅｉ ｍｅ ｔ ｓ ｌ ｉ ｉａｅ ｔ ｔ ｈ ｒ ｐ ｓ ｄ ｍｅｈ ｄ ｎ ｔｏ ｌ ｅ ｕ ｅ ｈ ｉ ｎ ｉ ｎ ｆ ａ ｅｆ ａｕ ｅ ｓ ａ ｅ ｂ ｔ ｓ ｃ ｉｖ ｓｈ ｇ ｅ ｒ ｓｎ ｈ ｔ ｆ ａ
ｍａ ｐ ｎ ｓｉ ｉ ｅ ｅ ｔｗ ｙ ，ｗｈｃ ｉｔ ｉ ｓｔ ｅｄ ｖ ｒｉ ｆ ｏ ｕａｉ ｎ ａ ｄ ｅ ｈ ｎ ｅ ｈ ｌｂ ｅ ｒ ｈｎ ｂｌ ｙ ｈ ｎ Ｉ Ａ ｓ ｄ ｆ ｒ ｅ — ｐ ｉ ｇ ｎ ｄｆ ｒ ｎ ａ ｓ ｆ ｉｈ ｍａｎ ａｎ ｈ ｉｅ ｓ ｙ ｏ ｐ ｌｔ ｎ ｎ ａ ｃ ｓｔ ｅ ｇｏ ａ ｓ ａ ｃ ｉ ｇ ａ ｉ ｔ ．Ｔ ｅ ＣＧ ｉ ｕ ｅ ｏ ａ ｔ ｐ ｏ ｌ ｉ ｓ ｆ
Ａｂ ｔａ ｔ ｓｒ ｃ
Ａ ｍｉ ｔ ｈ ｒｂｅ ｆ ｏ ｅ ｒ ｉｅｔｅ ｉ ｅ ｓ ｎ ｏ ｔｅ ｉ ｎ ｅｔｒ ｉ Ｐ ｉ ｉａ Ｃ ｍｐ ｎ ｎ ｎ ｌ ｉ Ｐ Ａ） ｔｉ ｐ — ｉ ｎ ａ ｔｅｐｏ ｌｍ ｏ ｈ ｗ ｔ ｄ ｔ ｍ ｎ ｍ ｎ ｉ ｆ ｈ ｇ ｖ ｃ ｓ ｎ ｒ ｃ ｌ ｏ ｏ ｅ ｔ ａ ｓ ｇ ｏ ｅ ｈ ｄ ｏ ｅｅ ｏ ｎ ｐ Ａ ｙ ｓ（ Ｃ ， ｈ ａ ｓ
序列生成一个混沌变异算子 ， 并将其引入部分优秀个体 的变异操
０ 引 言
基 于 Ｐ Ａ 的人 脸 识 别 方 法 具 有 简 单 、 速 、 行 的 特 点 。 Ｃ 快 易
用 其 它 方 法更 好 的识 别 性 能。 关 键 词 特 征 选 择 人 脸 识 别 主 成 分 分 析 混 沌 遗 传 算 法
ＦＥＡＴＵＲＥ ＥＬＥＣＴＩ Ｓ ｏＮ ｏＦ ＦＡＣＥ ＲＥＣｏ ＧＮＩ ｏＮ ＴＩ ＢＡＳＥＤ ｏＮ Ｍ ＰＲｏＶＥＤ Ｉ ＣＨＡｏ Ｓ ＧＥＮＥＴＩ ＡＬＧｏＲＩ Ｃ息工程学 院
（ 州 理 工 大 学计 算 机 与通 信 学 院 兰
甘肃 兰州 ７０ ０ ） ３０ ０
甘 肃 兰 州 ７０ ５ ） ３０ ０
摘
要
针对如何选定 Ｐ Ａ特征空 间维数的 问题 ， 出 了一种基 于改进 混沌遗传算法 的特征选择 方法。改进 的混沌遗传算法呆 Ｃ 提
第２ ７卷 第 １ ２期
２１ ０ ０年 １ ２月
计 算机 应 用与软件
Ｃｏ ｕ ｅ ｐ ｉ ａｉｎ ｎ ｏｔ ｒ ｍｐ ｔｒＡｐ ｌｃ ｔｏ ｓ ａ ｄ Ｓ ｆｗａ ｅ
Ｖ０． ７ Ｎｏ． ２ １２ １ Ｄｅ ． ０１ ｃ２ ０
基 于 改进 混 沌 遗 传 算 法 的人 脸 特 征 选 择
Ｔａ ｉ ｇ ｎ Ｐｎ Ｄｕ Ｗ ｅ ｘａ ｎ ｉ ＬｉＭ ｉ 。 ｎｇ
（ ｃｏｌｆＥｅ ｒｎ ｎ ｆ ｒａｉ ｎ ｉｅｒ ｇ， ａｓ ｉｎｅＵ ｉ ｒｔ， ａ ｚｏ ３ ０ ０ Ｇ ｎｕ Ｃ ｉａ Ｓｈｏ ｌｔ ｉ ａ ｄＩ ｏｍ ｔｎＥ ｇｎｅｉ Ｇ ｎｕＬａ ｈ ｎｖ ｓｙ Ｌ ｎｈｕ７０ ０ ， ａｓ ， ｈｎ ） ｏ ｃｏ ｃ ｎ ｏ ｎ ｅｉ 。 Ｓｈｏ ｏ ｏ ｐ ｔ ｎ ｏ ｍｕｉ ｔ ｎ Ｌ ｎｈｕＵ ｉｒｉ ｅ ｎ ｌ ｙ Ｌ ｎｈ ｕ７ ０５ Ｇ ｎｕ Ｃ ｉａ （ ｃｏｌ Ｃ ｍ ｕｅ ａ ｄＣ ｍ ｎ ａｉ ， ａ ｚｏ ｎ ｅｓｙｏ Ｔｃ ｏｏ ， ａｚｏ ３ ０ ０，ａｓ ， ｈｎ ） ｆ ｒ ｃ ｏ ｖ ｔｆ ｈ ｇ
ｒ ｃ ｇ ｉｉｎ ｐｅｆ ｒ ｎ ｅ ｔ ａ ｔ ｅ ｔ ｏ ｓ ｅ ｏ ｎｔｏ ｒｏ ｍａ ｃ ｈ ｎ ｏ ｈ ｒｍｅ ｈ ｄ ． Ｋ ｅ ｗｏｒ ｓ ｙ ｄ Ｆｅ ｔｒ ｅｅ ｔ ｎ Ｆａ ｅ ｒｃ ｇ ｉｉｎ Ｐｒｎ ｉ ａ ｏ ｐ ｎ ｎｔａ ａｙ ｉ Ｃｈ ｏ ｅｎ ｔｃａ ｇ ｒｔ ａｕ ｅ ｓ ｌ ｃｉ ｏ ｃ ｅ ｏ ｎ ｔ ｏ ｉｃ ｐ ｌｃ ｍ ｏ ｅ ｎ ｌｓｓ ａ ｓ ｇ ｅｉ ｌ ｏ ｉ ｈｍ