一种基于模拟退火算法的模式识别特征选择优化方法技术

本发明专利技术涉及相位敏感光时域反射计的模式识别技术领域，公开了一种基于模拟退火算法的模式识别特征选择优化方法。包括以下步骤：入侵信号特征参数编码，并进行参数初始化；根据Fisher Score方法选取初始入侵信号特征组合；确定适值函数，并开始模拟退火算法寻找最优结果；根据新解的适值函数值和Metropolis接受新解准则不断更新新解；改变温度重复迭代直至达到内外循环条件，得到最优入侵信号特征组合、最优适值函数值。本发明专利技术可以实现整体效果较好的入侵信号特征组合的选择，可以剔除冗余入侵信号特征，加快收敛速度，提高相位敏感光时域反射计的模式识别分类准确率。反射计的模式识别分类准确率。反射计的模式识别分类准确率。

【技术实现步骤摘要】
一种基于模拟退火算法的模式识别特征选择优化方法


[0001]本专利技术涉及相位敏感光时域反射计的模式识别
，具体涉及一种基于模拟退火算法的模式识别特征选择优化方法。

技术介绍

[0002]基于相位敏感光时域反射计的分布式光纤传感系统具有灵敏度高、可靠性强、成本低等显著优点，在工业生产过程检测、油气管道维护、振动定量测量、建筑结构健康监测、周边安全等领域得到了广泛的应用。相位敏感光时域反射计可以通过背向瑞利散射光信号的分析来判断入侵信号的位置，再通过模式识别将不同的入侵信号进行准确的判断与识别。其中，在相位敏感光时域反射计采集的入侵信号进行模式识别的研究中，需要处理的一系列数据往往由高维入侵信号的特征向量所描述。这些高维入侵信号特征向量的每个分量，都表示该数据的某一特征。实际上，在众多入侵信号的特征中，有些特征对解决问题是不相关的，而有些特征又是冗余的。为了提高后续计算(如分类、预测等)的效率，节省数据的存储空间，需要从高维入侵信号的特征向量中筛除这些不相关的、冗余的特征，选出对解决问题真正重要的特征。
[0003]特征选择要求从M个原始特征(即原始数据的维数是M)中选出d个(d<M)最利于后续运算的特征。对于穷举搜索法[Hyafil L,et al.Information Processing Letters,5(1):15
‑
172,1976]是可以选出最优特征组合的。由于每个原始特征集合都存在(2
M
‑
1)个(不考虑空集)特征组合，可以把这(2
M
‑
1)个特征组合进行后续运算的结果都运行出来加以比较，从而选出能获得最佳结果的特征组合。这对于M值较小规模的特征选择问题是切实可行的，然而，随着M的增大，至少需要进行(2
M
‑
1)次计算，并对计算结果进行排序，这就使得特征选择的计算量变得相当巨大。
[0004]为了解决这个难题，研究者们试图寻找可行的特征选择方法。按照不同的特征评价准则及评价方式可以将众多特征选择方法大致分成两类：过滤和封装。基于过滤的特征选择方法如互信息[D.Koller,et al.In ICML,284
‑
292,1996]、Fisher Score[R.O.Duda,et al.Wiley
‑
Interscience Publication,2001]主要通过一定的准则(评估函数)给每个特征一个“得分”，然后设定一个阈值θ，选出得分高于阈值的特征。但此类方法通常会选入冗余特征，同时也容易筛除一些本该保留的特征组合。而基于封装的特征选择方法如爬山法、前向选择法[Battiti,et al.IEEE Trans,5(4):537
–
550,1994]直接把后续运算的性能(例如，后续分类的准确率)作为特征组合的评价准则封装在搜索过程中进行特征选择。封装式特征选择的准确率要高于过滤式特征选择，但由于对每个特征组合的评价都要运行一次后续运算，该类方法的运算速度要比过滤式方法慢得多。
[0005]上述过滤和封装的特征选择方法主要表现为：过滤式的特征选择方法运行速度快，但是，后续运算的结果偏差较大；而封装式的特征选择方法使得后续运算的结果更准确但运行速度慢。于是，研究者很自然地想到将两类方法组合在一起进行特征选择并提出混合式特征选择方法，如Relief
‑
Wrapper方法、Relief
‑
GA
‑
Wrapper方法等。上述的方法通过
选入Relief得分高的特征，筛除Relief得分最低的特征实现无关特征的去除，但有时会出现不同特征的Relief得分都很低但它们组合起来进行后续运算的效果却很好的情况，导致无法看到特征组合的整体效果；且在后续的封装方法中，为了减少计算量和复杂度都会从局部展开求解，就会出现结果在局部极值而不是全局最值的情况，从而陷入局部最优。

技术实现思路

[0006]针对上述不足，本专利技术提出了一种基于模拟退火算法的模式识别特征选择优化方法，保证算法的全局收敛性，加快收敛速度，降低入侵信号特征组合漏选的概率，跳出局部最优，提高相位敏感光时域反射计的模式识别分类准确率。
[0007]为了解决上述技术问题，本专利技术采用的技术方案为：一种基于模拟退火算法的模式识别特征选择优化方法，包括以下步骤：
[0008]S1、对入侵信号特征参数进行编码，然后初始化参数；
[0009]S2、计算每个入侵信号特征值的Fisher得分；
[0010]S3、对计算出的Fisher得分进行线性变换并与阈值因子比较得到初始入侵信号特征组合；
[0011]S4、确定适值函数；
[0012]S5、根据初始入侵信号特征组合计算初始的适值函数值；
[0013]S6、根据上一个入侵信号特征组合中的G个特征向量编码取反来产生新的入侵信号特征组合，并计算新的入侵信号特征组合的适值函数值；
[0014]S7、若如果新的入侵信号特征组合的适值函数值大于当前的入侵信号特征组合的适值函数值解，则直接接受新解，否则，采用Metropolis接受新解准则判断是否接受新解；
[0015]S8、在温度T下，重复步骤S6～S7，直到达到迭代次数；
[0016]S9、根据温度衰减系数更新温度；重复步骤S6
‑
S8，直至温度小于或等于结束温度T
min
时，根据最优适值函数值确定最优入侵信号特征组合。
[0017]所述步骤S1中，采用0/1对入侵信号特征参数进行编码，1代表选中，0代表未选中。
[0018]所述步骤S2中，入侵信号特征值的Fisher得分的计算公式为：
[0019][0020]其中，n
k
表示第k类样本的个数，f
j,i
表示第i个特征中第j个样本的值，μ
fi
表示第i个特征f
i
中所有样本的平均值，μkfi表示第i个特征f
i
中属于第k个类别中的所有样本平均值，c表示样本的类别数，F(f
i
)表示第i个特征f
i
的Fisher得分。
[0021]所述步骤S3的具体方法为：
[0022]S301、将各个入侵信号特征值的Fisher得分映射到闭区间[ε，1
‑
ε]上；其中，ε表示正实数参数，且0<ε<0.1；计算公式为：
[0023][0024]其中，L(F(f
i
))表示的第i个特征f
i
的Fisher得分的映射值；F
max
、F
min
分别表示各个入侵信号特征值的Fisher得分的最大值和最小值；
[0025]S302、随机生成M个为实数的阈值因子ω
i
，ω
i
∈U本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模拟退火算法的模式识别特征选择优化方法，其特征在于，包括以下步骤：S1、对入侵信号特征参数进行编码，然后初始化参数；S2、计算每个入侵信号特征值的Fisher得分；S3、对计算出的Fisher得分进行线性变换并与阈值因子比较得到初始入侵信号特征组合；S4、确定适值函数；S5、根据初始入侵信号特征组合计算初始的适值函数值；S6、根据上一个入侵信号特征组合中的G个特征向量编码取反来产生新的入侵信号特征组合，并计算新的入侵信号特征组合的适值函数值；S7、若如果新的入侵信号特征组合的适值函数值大于当前的入侵信号特征组合的适值函数值解，则直接接受新解，否则，采用Metropolis接受新解准则判断是否接受新解；S8、在温度T下，重复步骤S6～S7，直到达到迭代次数；S9、根据温度衰减系数更新温度；重复步骤S6
‑
S8，直至温度小于或等于结束温度T
min
时，根据最优适值函数值确定最优入侵信号特征组合。2.根据权利要求1所述的一种基于模拟退火算法的模式识别特征选择优化方法，其特征在于，所述步骤S1中，采用0/1对入侵信号特征参数进行编码，1代表选中，0代表未选中。3.根据权利要求1所述的一种基于模拟退火算法的模式识别特征选择优化方法，其特征在于，所述步骤S2中，入侵信号特征值的Fisher得分的计算公式为：其中，n
k
表示第k类样本的个数，f
j,i
表示第i个特征中第j个样本的值，μ
fi
表示第i个特征f
i
中所有样本的平均值，μkfi表示第i个特征f
i
中属于第k个类别中的所有样本平均值，c表示样本的类别数，F(f
i
)表示第i个特征f
i
的Fisher得分。4.根据权利要求1所述的一种基于模拟退火算法的模式识别特征选择优化方法，其特征在于，所述步骤S3的具体方法为：S301、将各个入侵信号特征值的Fisher得分映射到闭区间[ε，1
‑
ε]上；其中，ε表示正实数参数，且0<ε<0.1；计算公式为：其中，L(F(f
i
))表示的第i个特征f
i
的Fisher得分的映射值；F
max
、F
min
分别表示各个入侵信号特征值的Fisher得分的最大值和最小值；S302、随机生成M个为实数的阈值因子ω
i
，ω
i
∈U(0,1)；M表示待选择特征参数个数；S303、判断各个特征的Fisher得分的映射值与对应的阈值因子ω
...

【专利技术属性】
技术研发人员：张建忠，李玮哲，马喆，王婷玉，和祥，张明江，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：