[发明专利]一种基于粒子群算法的多标签分类方法

权利要求书

1.一种基于粒子群算法的多标签分类方法，其特征在于，包括优化阶段和分类阶段：

S10：优化阶段是采用粒子群算法优化特征加权KNN算法的特征权值，具体包括如下步骤：

S11：采用随机方法初始化粒子群，每个粒子的位置和速度的维度为n，每个粒子的位置对应数据集中一条记录的特征权值向量w＝(w₁，w₂,···，w_n)：其中有

Σi-1nwi=1;]]>

S12：计算适应值，进而求出局部最优解和全局最优解：

在计算适应值时，将粒子的位置即特征权值应用到特征加权KNN算法中，将原训练样本集中前70％当做新的训练样本，后30％当做新的预测样本集，对此预测样本集进行分类，算出分类的准确度，准确度越高越符合适应值；

预测样本集每条记录的原始标签为li＝(li1,li2,···,lin)，分类过后的预测标签为lj＝(lj1,lj2,···,ljn)，li与l_j与重合个数为sum，那么准确率Accruay＝sum/n；

S20：分类阶段：

将优化阶段得出的特征权值应用到特征加权KNN算法中给测试样本X进行分类，最终输出测试集中所有样本的标签，完成分类。

2.如权利要求1所述的一种基于粒子群算法的多标签分类方法，其特征在于，所述粒子群算法包括如下步骤：

SA1：初始化微粒群，其中包括初始化整个粒子群的位置xi＝(x_i1,x_i2,···x_id)^T和速度vi＝(v_i1,v_i2,···,v_id)^T及局部最优和整体最优，其中id表示第i代中第d个粒子；

SA2：计算每个粒子在当前位置处的适应度值fitness_id＝f(x_id)。然后根据适应度值的大小，初始化局部最优解pbest_i＝fitness_i和整体最优解gbest＝min(fintess₁,fitness₂,···,fitness_N),i＝1,2,···，N；

SA3：在每次迭代过程中，每个粒子根据以下准则来更新自己的位置和速度：

v_id(t+1)＝wv_id(t)+c₁r₁(p_ld-x_id(t))+c₂r₂(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

其中v_id为粒子的速度，x_id为粒子的位置，w为惯性权重，c1和c2为加速度系数，r₁和r₂是随机数，P_ld为全局最优解而P_gd为局部最优解；

SA4：更新局部最优解pbest_i和整体最优解gbest；

SA5：如果整体最优解gbest达到设定的阈值或者已经达到最大迭代次数，算法即可终止计算；否则跳转至步骤SA3。

3.如权利要求1所述的一种基于粒子群算法的多标签分类方法，其特征在于，所述特征加权KNN算法具体包括如下步骤：

SB1：输入m个训练样本，并设定k值大小；

SB2：先随机选择训练集中的A[1]～A[k]样本作为待预测样本X的k个初始最邻近节点；

SB3：计算待预测样本X与每个初始k个最邻近节点的加权欧几里得距离wd(X,A[i]),i＝1,2,.....,k)，计算距离公式为：

wd(X,A[i])=Σl=1nwl(Xl-A[i]l)2,]]>

其中n表示样本A[i]属性个数，即A[i]＝(A[i]1，A[i]2，A[i]3，···A[i]n)；

SB4：将所述步骤SB3中求得到的距离wd(X,A[i])按升序排序，求得距离wd(X,A[i])的最远距离maxD＝max{d(X,A[i])|i＝1,2,.....,k}；

SB5：依次计算训练集中剩下记录与待测样本X的距离，并与所述步骤SB4中求得的最远距离maxD相比，若比最远距离maxD小，将最远距离maxD更新为该记录与待测样本X的距离值，再按升序对距离wd(X,A[i])排序；

SB6：计算出现在距离wd(X,A[i])序列中的每条记录的标签的出现次数，并按照出现次数的高低排序；

SB7：将所述步骤SB6中排序得到的前L个标签作为样本X的标签。