[发明专利]一种融合无监督学习和监督学习的反馈式分类方法

权利要求书

1.一种融合无监督学习和监督学习的反馈式分类方法，其特征在于：包括以下步骤：

步骤一，选取适当的特征作为原始特征集合，通过无监督学习对原始特征集合进行分类，获得带标签信息的分类结果；

步骤二，将分类结果随机均分为训练组和对照组，训练组作为监督学习的输入，同时采用特征选择算法，使监督学习的分类准确率最高，并获得对应的特征子集；

步骤三，重构对照组特征集合，即依据特征子集所包含的特征类别提取对照组特征集合相对应的特征子集，并将重构后的对照组特征集合作为训练组获得的监督学习模型的输入，计算其分类准确率；

步骤四，通过设定分类准确率阈值作为迭代的终止条件，若计算得到分类准确率高于预设阈值，则终止迭代，获得优化的分类结果，否则重构原始特征集合，并依次进行迭代，直到分类准确率达到预设阈值。

2.根据权利要求1所述的融合无监督学习和监督学习的反馈式分类方法，其特征在于：步骤一所述的无监督学习可以选择基于模糊等价关系的系统聚类法或基于模糊划分的逐步聚类法。

3.根据权利要求1所述的融合无监督学习和监督学习的反馈式分类方法，其特征在于：所述特征选择算法可以选择序列浮动前向选择算法或序列浮动后向选择算法。

4.根据权利要求1所述的融合无监督学习和监督学习的反馈式分类方法，其特征在于：所述监督学习可以是神经网络分类器、支持向量机、贝叶斯分类器或决策树。

5.根据权利要求1~4中任一项所述的融合无监督学习和监督学习的反馈式分类方法，其特征在于：步骤一中的原始特征集合可先通过主成分分析进行精炼，然后作为无监督学习的输入进行分类。