一种基于动态参考点的多目标特征选择方法和装置制造方法及图纸

本发明专利技术提供一种基于动态参考点的多目标特征选择方法和装置，该方法包括以下步骤：图片特征获取；粒子群初始化，利用粒子群算法为所述图片样本初始化预设数量个维度相同的粒子；参考点初始化，初始化预设数量个参考点，并为每个粒子设置与之相对应的一个参考点；迭代更新，迭代更新的每次迭代均对所述粒子的当前位置、个体最优位置、粒子群的全局最优位置及当前参考点进行更新；粒子选取，选取适应度最小的粒子为最终选取的粒子，并输出其对应的特征选择方案。本申请根据参考点计算适应度，根据适应度确定当前最优的粒子，为每个粒子均设置参考点，并不断更新参考点，在多个粒子中寻优，解决了多目标特征选择问题最优解的离散和不均匀分布难题。不均匀分布难题。不均匀分布难题。

【技术实现步骤摘要】
一种基于动态参考点的多目标特征选择方法和装置


[0001]本专利技术涉及图像识别
，尤其涉及一种基于动态参考点的多目标特征选择方法和装置。

技术介绍

[0002]粒子群算法（Particle Swarm Optimization, PSO）最早是由Eberhart和Kennedy于1995年提出，用粒子模拟鸟类个体，每个粒子包含位置信息和速度信息，粒子的当前位置对应优化问题的一个候选解，粒子的飞行过程即为该个体的搜索过程，其速度信息对应个体的搜索方向。粒子的飞行速度可根据粒子历史最优位置和种群历史最优位置进行动态调整。每个粒子单独搜寻的最优解叫做个体极值，粒子群中最优的个体极值作为当前全局最优解。粒子群优化算法通过不断迭代更新速度和位置，最终得到满足终止条件的最优解。
[0003]然而，现有技术能够将上述算法应用于图像识别，提取图像中的特征，但是由于现有技术的算法中常采用特征选择比例和错误率作为目标函数，其取值为离散值且非支配解分布不均匀，传统粒子群优化算法在求解多目标特征选择问题时难度较大。
专利技术内容
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态参考点的多目标特征选择方法，其特征在于，该方法包括以下步骤：图片特征获取，所述图片特征为图片样本中的特征，包括图像颜色、图像尺寸；粒子群初始化，利用粒子群算法为所述图片样本初始化预设数量个维度相同的粒子，每个粒子表征一种特征选择方案，所述粒子内的元素与所述图片特征一一对应；参考点初始化，初始化预设数量个参考点，并为每个粒子设置与之相对应的一个参考点；迭代更新，所述迭代更新的每次迭代均对粒子位置及每个粒子所对应的参考点进行更新，根据所述参考点和粒子位置计算所有当前粒子的适应度，根据适应度找到当前粒子群的全局最优解以及每个粒子的个体最优解，根据当前迭代的所述个体最优解和全局最优解对粒子位置和粒子对应的参考点进行更新；粒子选取，当迭代完成后，遍历最后一次迭代的所有粒子，并计算每个粒子的适应度，选取适应度最小的所述粒子为最终选取的粒子。2.根据权利要求1所述的方法，其特征在于，所述基于动态参考点的多目标特征选择方法还包括特征选取，所述特征选取的步骤还包括：筛选阈值接收，所述筛选阈值取值范围为[0,1]；特征比较，提取所述最终选取的粒子中的各个元素值，分别将所述元素值与所述筛选阈值相比较；最终选取，接收大于所述筛选阈值的元素值，抽取该元素值对应元素，提取所述元素值所对应的图片特征。3.根据权利要求2所述的方法，其特征在于，所述迭代更新的步骤还包括粒子更新，所述粒子更新的步骤包括：粒子速度更新，接收粒子群的全局最优解以及每个粒子的当前速度、当前位置和个体最优解，所述粒子速度更新公式如下公式：；V
i
(t)为第i个粒子X
i
的当前速度、V
i
(t+1)为粒子X
i
更新后的速度、X
i
(t)为粒子X
i
当前位置、为粒子X
i
的个体最优解、G
best (t)为全局最优解、和为0到1之间的随机数，w为惯性权重，w的选取影响着粒子初始运动速度的大小，和为学习因子，和分别决定了局部收敛和全局收敛的速度；粒子位置更新，接收所述粒子的当前位置和所述粒子更新后的速度，所述粒子位置更新公式如下公式：；X
i
(t+1)为粒子X
i
更新后的位置。4.根据权利要求3所述的方法，其特征在于，所述迭代更新的步骤还包括参考点更新，
所述参考点更新的步骤包括：特征比例计算，设所述特征比例为f1（X），根据如下公式计算所述特征比例：;表示粒子X所选择的特征比例，当时，，反之，为0；粒子X为，，， x
j
、 x
D<...

【专利技术属性】
技术研发人员：罗娟娟，蒋玲玲，吴子逸，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：