[发明专利]一种运维管控平台故障特征提取方法

权利要求书

1.一种运维管控平台故障特征提取方法，其特征是，它包括的内容有：

1)主成分分析特征提取

主成分分析(Principle Component Analysis，PCA)是进行样本空间变换，通过投影确定所有原始特征向量方差最大的投影方向，将该投影方向定位判别矢量进行特征提取，投影变换后，原始样本变为尽量分散的低维样本，同时保持变换前原高维样本空间的差异性，设定在原始高维空间包含样本N个，X∈Rⁿ，每个样本为一个X_i＝[x_i1,...,x_in]^T∈Rⁿ，其矢量均值为M，则对应的特征向量为X_i＝[x_1i,...,x_ni]∈Rⁿ，且对应的协方差矩阵为公式(1)，

样本在特征矢量上的分布方差，即公式(1)协方差矩阵的特征值，对公式(1)中的协方差矩阵进行对角化后得到的正交矩阵为公式(2)，

将Q表示为其中M为正交矩阵Q的维数，PCA则基于Q推导出矩阵中的特征值λ₁≥λ₂≥…≥λ_n，并求出特征值对应的标准正交特征向量v₁≥v₂≥…≥v_n，通过正交矩阵Q的特征值及相应的标准正交特征向量，即得到协方差矩阵S的标准正交特征向量u₁,u₂,…u_d，如公式(3)，其中标准正交特征向量u₁,u₂,…u_d对应S的前d个最大非零特征值，

设定t＝95％，u_i＞t，则空间样本在前d个轴上的主成分累计贡献率就为原始数据的95％，这样，对于任何样本x_i将其映射到降维后的低维样本空间U＝{u₁,u₂,…u_d}，其x_i的主分量特征为y＝(u₁,u₂,…u_d)^Tx_i，则y_i为低维空间中的样本点，通过PCA的空间样本变换，不仅使变换后的样本能够代表主成分的累计贡献率的95％，还使原始空间维度由n降为d，d＜＜n，因而，大大降低了空间的维度，且起到了特征提取的作用；

2)二次特征选择

PCA特征提取后，为进一步得到最优特征子集及PCA低维空间的关键特征，嵌入二次特征选择算法，该算法基于过滤式(Filter)关联规则特征选择(Correlation-based FeatureSelection，CFS)，在对样本特征进行相关性评估时采用启发式序列后向搜索策略，通过对特征的相关性排序确定最优的特征子集，

CFS将特征的相关性作为评估标准，是一种过滤(Filter)式的特征选择算法，在相应的搜索策略下，旨在降低属性与属性之间的冗余，同时提高属性特征与类属性关联度，达到筛选冗余性高的属性及与类别无关的属性，公式(4)是其评估标准，对特征子集S的k个特征的评价用M_s表示，其中特征属性与类的相关度均值为属性间的相关度均值则用表示，由公式(4)可知，由关联规则特征选择算法确定的候选特征子集能够使特征属性具有最大关联—最小冗余，即可以最大程度提高属性特征与类属性关联度，且降低属性与属性之间的冗余，即公式(4)中评价值M_s越高，特征属性与类的相关度均值为越大，属性间的相关度均值则用越小，

关联规则特征选择中采用信息增益算法评估各属性间的相关性，而信息增益的计算方法是对称性的测量方法，因此当特征子集S中两个高阶关联的特征存在时，例如特征W_i、W_j，可采用公式(5)的对称不确定方法，特征的熵为H(W)，特征关联性为U，由此公式(6)为基于属性间相关性的特征子集的评估函数，当评估值H_s升高时，特征子集S中特征W_j与W_i相关性减小，且与类属性相关性增大，

采用CFS算法，在PCA中嵌入二次特征选择功能，然后基于启发式序列后向搜索策略，计算CFS的评估结果，经过排序后筛选出最优特征子集。