[发明专利]用于形式概念分析(FCA)的PARZEN窗特征选择算法

说明书

政府许可权

本发明在美国政府合同编号FA8650-13-C7356下由政府支持作出。该政府在本发明中具有特定权利。

相关申请的交叉引用

这是2015年7月23日在美国提交的名为“A General Formal Concept Analysis(FCA)Framework for Classification”的美国非临时申请No.14/807,083的部分继续申请，其全部内容通过引用而并入于此。

这也是2015年7月23日在美国提交的名为“A Parzen Window Feature Selection Algorithm for Formal Concept Analysis(FCA)”的美国临时申请No.62/195,876的非临时专利申请，其全部内容通过引用而并入于此。

技术领域

本发明涉及用于针对形式概念分析(FCA)的特征提取的系统，并且更特别地，涉及用于使用Parzen窗针对FCA的特征提取的系统。

背景技术

许多形式的信息可以被描述为一组对象，每个对象具有一组属性和/或值。在这些情况下，任何分层结构仍然是隐含的。通常来说，这组对象可以与两个或更多个完全不同的属性域和/或值域相关。形式概念分析(FCA)是推导关于一组对象的偏序的原则性方法，每个对象由一组属性定义。这是数据和知识处理方面的技术，其在数据可视化、数据挖掘、信息检索、以及知识管理方面具有应用(参见并入的参考文献列表，参考文献No.2)。组织数据的原理是由对象属性之间的包含关系引起的偏序。另外，FCA容许从结构化数据的规则挖掘。

FCA被广泛应用于数据分析。FCA依靠二元特征，以便构建点阵。存在用于将标量数据转换为二元化格式的技术，但是它们往往导致产生要在点阵构造中有效地使用太多属性。关于标量数据的特征选择通常通过缩放或创建统一箱(bin)来完成。从FCA中的标量数据中选择特征的现有方法存在盲选策略，其产生太多并且通常没有用的特征。由于基于特征的点阵构造所需的指数增加计算时间，这是有问题的。

因此，仍然需要将FCA中的特征数量减少到最有用，以允许在不削弱FCA的能力的情况下构建更小点阵。

发明内容

本发明涉及用于针对形式概念分析(FCA)的特征提取的系统，并且更特别地，涉及用于利用Parzen窗针对FCA的特征提取的系统。所述系统包括一个或更多个处理器和其上编码有可执行指令的非暂时性计算机可读介质，使得当执行该可执行指令时，所述一个或更多个处理器执行多个操作。所述系统将具有特征的一组数据点分成一组已知对象类。针对每个已知对象类，利用高斯函数对所述数据点进行卷积，从而获得针对每个已知对象类的类分布曲线。针对每个类分布曲线，识别所述类分布曲线相对于所有其它类分布曲线最大的数据值的区间。所述区间关于预定置信度阈值被排序。所述区间的排序被用于在FCA点阵构造中选择从所述一组数据点中提取哪些特征，并且从所述一组数据点中提取所选特征。

在另一方面，所选特征被用于解释神经数据。

在另一方面，所选特征被应用至功能性磁共振成像(fMRI)反应，以对人的思维过程分类。

在另一方面，所述系统生成包括一和零的二元阵列，所述二元阵列在所述类分布曲线最大的数据的区间上具有一，而在其它区间上具有零。

在另一方面，针对每个已知对象类，生成二元类曲线，该二元类曲线指示对于哪个区间，已知对象类的性能超过所有其它已知对象类。

在另一方面，所述一组数据点包括来自神经传感器的数据。

在另一方面，所述预定置信度阈值被用于消除具有低置信度值的区间。

在另一方面，通过取得在沿着每个区间的每个类分布曲线下面的面积与沿着每个区间的所有其它类分布曲线下面的面积的总和的比率来确定所述区间的排序。

在另一方面，本发明还包括一种用于使处理器执行本文所述操作的方法。

最后，在又一方面，本发明还包括一种计算机程序产品，该计算机程序产品包括：存储在非暂时性计算机可读介质上的计算机可读指令，该计算机可读指令可通过具有处理器的计算机执行，以使所述处理器执行本文所述操作。

附图说明

本专利的文件或专利申请公开出版物包含所执行的至少一个彩色附图。具有彩色附图的该专利的副本或专利申请公开出版物在请求并支付必需费用时由专利局提供。

根据下面结合参照附图对本发明的各个方面的详细描述，本发明的目的、特征以及优点将更清楚，其中：