[发明专利]特征分辨力快速测量方法

说明书

技术领域

本发明涉及一种测量方法，尤其是一种特征分辨力快速测量方法，属于模式识别的技术领域。

背景技术

特征分辨力(Discriminability)是特征所具有的分辨事物类别的能力。一般来说，一个样本属于某一个类别可以通过该样本所具备的特征来判断。而不同的特征分辨同一类别的能力是不同的。比如分辨黄瓜和茄子，从颜色上比较容易区分，而从形状上比较难区分，则可以说对于分辨黄瓜和茄子来说，颜色的特征分辨力大于形状的特征分辨力。

Fisher线性判别法(Fisher's Linear Discriminant)也称线性判别分析(Linear Discriminant Analysis)，是一种统计分析方法，用于在已知的分类之下遇到有新的样本时，选定一个判别标准，以判定如何将新样本放置于哪一个类别之中。Fisher在1936年发表的经典论文(Fisher R A.The use of multiple measurements in taxonomic problems)，其基本思想是选择使得Fisher准则函数达到极值的向量作为最佳投影方向，从而使得样本在该方向上投影后，达到最大的类间离散度和最小的类内离散度。这种方法主要应用于医学的患者疾病分级，以及人脸识别、经济学的市场定位、产品管理及市场研究等范畴。

特征选择(Feature Selection)是指从已有的m个特征(Feature)中选择n个特征使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程，是提高机器学习算法性能的一个重要手段，也是模式识别中关键的数据预处理步骤。

模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。

目前，常用的Fisher线性判别法仅适用于两个类别的分类问题。如果现在的问题是个多目标的分类问题，即有多个类别需要分辨，则传统的Fisher线性判别法将无法胜任。此外，Fisher线性判别法主要是直接用于分类，并非直接用于特征选择。

针对Fisher线性判别法的不足，可以利用改进的Fisher线性判别法-Fisher Score，针对常用的Fisher线性判别法作了两方面的改进：一是将传统的Fisher线性判别法升级为多目标分类方法；二是不再寻找区分度最大的投影，而是转为直接计算每个类别的样本在特征上的区分度，即计算每个特征的分辨力。Fisher Score将传统的Fisher线性判别法升级为多目标分类方法采用的是“一对其余”的办法。也就是说把某一类作为当前类，把其他类均作为非当前类。这样多目标分类问题就转化成了符合传统的Fisher线性判别法二类分类问题。然后针对每一类别完成计算后，再做整合。

Fisher Score虽然在一定程度上可以解决多目标的分类问题的特征选择，但由于其主要采用“一对其余”的办法，因此，如果有M个类别，就要做M-1次的计算，才能把所有类别都计算到。这种方法严重影响了计算效率，尤其是高维问题的求解。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种特征分辨力快速测量方法，其操作方便，能快速稳定地获得特征分辨力的测量结果，为特征选择提供依据，能降低计算复杂度，提高适应范围。

按照本发明提供的技术方案，一种特征分辨力快速测量方法，所述测量方法包括如下步骤：

步骤1、获取包含N个特征量的数据集，数据集中每个特征量依据类别标识均被划分为C类别组，并对所述数据集进行所需的预处理；

步骤2、计算数据集中任一特征量中每个类别组的方差，以得到所述特征量的C个特征量方差；

步骤3、计算数据集中上述特征量中每个类别组对应的样本均值，以得到C个类别组均值，并计算所述C个类别组均值的均值方差；

步骤4、根据上述C个特征量方差以及均值方差，计算所述特征量对应的特征分辨力，所述特征分辨力D为