当前位置: 首页 > 专利查询>淮阴工学院专利>正文

一种用于模式分类的特征选择方法技术

技术编号:9406581 阅读:158 留言:0更新日期:2013-12-05 06:14
本发明专利技术公开了一种用于模式分类的特征选择方法,通过采用模糊Fisher准则为目标函数求得无监督最佳鉴别矢量的基础上,根据该矢量中每一维的值求得每个特征重要性权值,按照该权值大小进行特征排序,通过给定阈值,选取特征子集,进而实现了特征降维。本发明专利技术的方法的实施不仅无需事先提供样本类别信息,而且有效解决了无监督模式下特征选择缺乏分离性度量的问题,在UCI数据集及故障诊断实验中体现了良好的降维性能,具有很高的实用价值。

【技术实现步骤摘要】

【技术保护点】
一种用于模式分类的特征选择方法,其特征在于:通过采用模糊Fisher准则为目标函数求得无监督最佳鉴别矢量的基础上,根据该矢量中每一维的值求得每个特征重要性权值,按照该权值大小进行特征排序,通过给定阈值,选取特征子集,进而实现数据降维;具体包括以下各步骤:A、将原始数据转换为N×d矩阵,其中N为样本个数,d为特征维数;B、给定阈值ε或迭代次数α,给定特征重要性阈值θ;C、使用k?means算法初始化隶属矩阵U=[μij]c×N以及聚类中心m=(m1,m2,...,mc),其中uij表示第j个样本属于第i类的程度,c为分割聚类数目,此处i、j为变量且取值区间分别为:[1,c]、[1,N],设m为模糊指数且m>1;D、使用以下公式分别计算模糊类内散布矩阵Sfw、模糊类间散布矩阵Sfb:Sfw=Σi=1cΣj=1Nuijm(xj-mi)(xj-mi)TSfb=Σi=1cΣj=1Nuijm(mi-x‾)(mi-x‾)T其中隶属度函数uij∈[0,1]且xj为N维列向量,在样本空间定义各类样本均值向量记为mi,为所有样本均值,T表示矩阵转置;E、使用以下公式求得矩阵最大特征值λ对应的模为1的特征向量ω:Sfw-1Sfbω=λω该公式为求一般矩阵的特征值问题,其中λ取该矩阵的最大特征值,而ω为λ对应的特征向量;F、使用以下公式分别计算新的mi和μij:mi=Σj=1Nuijm(xj-1λx‾)Σj=1Nuijm(1-1λ)其中mi是局部解,uij=(ωT(xj-mi)(xj-mi)Tω-1λωT(mi-x‾)(mi-x‾)Tω)-1m-1Σk=1c(ωT(xj-mk)(xj-mk)Tω-1λωT(mk-x‾)(mk-x‾)Tω)-1m-1其中k为变量且取值区间分别为:[1,c],在模糊聚类中,通常限定uij∈[0,1],因此对上式给出如下限定条件,若:ωT(xj-mi)(xj-mi)Tω≤1λωT(mi-x‾)(mi-x‾)Tω则:uij=1且对所有i′≠i,有ui′j=0;G、使用以下公式计算JFFC并将迭代次数自增1:JFFC=ωTSfbωωTSfwω其中JFFC为模糊Fisher准则(Fuzzy?Fisher?Criterion)函数;H、按照预先设定的条件进行判断,如预先设定的条件得到满足,则转到步骤I,否则返回步骤D;I、使用以下公式计算各特征的重要性度量fk,并将特征按照fk降序排列:fk=|ωk|Σk=1d|ωk|其中定义fk为第k个特征重要性度量,设ω=(ω1,ω2,…ωd)′;J、在降序排列的特征中寻找前dθ个特征作为降维后特征,使得且dθ最小,从而实现降维,算法结束。FDA00003535409100013.jpg,FDA00003535409100014.jpg,FDA00003535409100015.jpg,FDA00003535409100017.jpg,FDA00003535409100025.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员:曹苏群朱全银左晓明高尚兵陈晓峰张虹杨格兰陈召兴
申请(专利权)人:淮阴工学院
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1