[发明专利]一种集成特征选择方法及系统

权利要求书

1.一种集成特征选择方法，其特征在于，包括步骤：

A、根据种群小生境算法对训练数据进行处理，得到K个最优或次优 特征子集；

B、然后将训练数据依据这些选择的最优或次优特征子集过滤成K份子 训练数据集；

C、在这K份子训练数据集上进行分类学习并建立K个分类器；

D、将测试数据分别在这K个分类器上做分类预测并投票决策最后的 分类结果；

所述步骤A具体包括：

控制小生镜中每个粒子与其所在小生境的最优位置之间的距离小于或 等于小生境半径R，从而使得任意两个小生境最优位置之间的距离大于R， 最终由小生境最优位置所选择的特征子集得到K个最优或次优特征子集。

2.根据权利要求1所述的集成特征选择方法，其特征在于，任意两个 小生境最优位置所选择的特征子集的差异度r大于R。

3.根据权利要求2所述的集成特征选择方法，其特征在于，所述差异 度r为：

其中，|X|、|Y|分别代表特征子集X和Y被选中的特征个数，|X^Y|为 特征子集X和Y按位相与后的特征子集中被选中特征的个数。

4.根据权利要求1所述的集成特征选择方法，其特征在于，所述分类 器为SVM分类器或kNN分类器。

5.根据权利要求1所述的集成特征选择方法，其特征在于，所述步骤 D之后还包括：

E、根据训练好的K个分类器，将每个分类器投票集成为最后的强分类 器。

6.一种集成特征选择系统，其特征在于，包括：

小生镜处理模块，用于根据种群小生境算法对训练数据进行处理，得 到K个最优或次优特征子集；

过滤模块，用于将训练数据依据这些选择的最优或次优特征子集过滤 成K份子训练数据集；

学习模块，用于在这K份子训练数据集上进行分类学习并建立K个分 类器；

分类模块，用于将测试数据分别在这K个分类器上做分类预测并投票 决策最后的分类结果；

所述小生镜处理模块具体包括：

控制小生镜中每个粒子与其所在小生境的最优位置之间的距离小于或 等于小生境半径R，从而使得任意两个小生境最优位置之间的距离大于R， 最终由小生境最优位置所选择的特征子集得到K个最优或次优特征子集。

7.根据权利要求6所述的集成特征选择系统，其特征在于，任意两个 小生境最优位置所选择的特征子集的差异度r大于R。

8.根据权利要求6所述的集成特征选择系统，其特征在于，所述分类 器为SVM分类器或kNN分类器。