[发明专利]基于FSA-Choquet模糊积分的特征选择方法

权利要求书

1.基于FSA-Choquet模糊积分的特征选择方法，其特征在于，包括以下步骤：

步骤1，初始化带有特征的原始数据集X，使用Choquet模糊积分优选出最优特征子集；

步骤2，然后通过最大冗余计算，结合后向浮动搜索策略及分类器进行特征优选。

2.根据权利要求1所述的基于FSA-Choquet模糊积分的特征选择方法，其特征在于，所述步骤1具体为：

步骤1.1，设原始数据集X，具体为公式(1)；

公式(1)中参数k代表特征种类数，n代表总体样本数，矩阵第i行第j列元素代表第i个样本第j种特征的值大小；

步骤1.2，基于步骤1.1中的原始数据集X，通过模糊密度如公式(2)，生成模糊密度矩阵D，如公式(3)，转置，生成矩阵D′，如公式(4)，随后对矩阵D′中每行元素由小到大排序，生成矩阵M，得到公式(5)；

公式(2)中，参数n_a为类别的数量，参数P(a_i)为类别a_i出现的概率，参数σ(f_j,a_i)为特征f_j在类别a_i中的标准差，参数σ(f_j)为整个样本中的标准差；

公式(3)中，ι代表分类种类数，矩阵第i行第j列元素代表第j种特征在第i种分类类别下的模糊密度；

步骤1.3，结合步骤1.2中矩阵D′和λ-模糊测度，计算不同特征的λ值，如公式(5)，同时计算矩阵M的模糊测度矩阵U，如公式(7)；

[λ₁，λ₂，......,λ_k] (6)

公式(7)中，矩阵U中第i行代表第i种特征在不同类别幂集下的模糊测度；假设类别集和A＝{a₁,a₂,...,a_n}，则μ_1l代表类别全集的模糊测度，μ_2l代表类别子集{a₂,a₃,...a_n}的模糊测度，μ_ll代表类别子集{a_n}的模糊测度，也就是第i种特征在第ι种类别下的模糊密度；

步骤1.4，结合步骤1.2中矩阵M、步骤1.3中的矩阵U和Choquet积分，计算得到不同特征的积分值，如公式(8)：

其中，参数C_u(f_i)为第i种特征的模糊积分值；

步骤1.5，将步骤1.4中每种特征的模糊积分值与设定的阈值比较，选择模糊积分值不小于阈值的特征加入到优选特征子集中，生成最优特征子集A＝{f′₁,f′₃,f′₅...,f′_q-2,f′_q}。

3.根据权利要求1所述的基于FSA-Choquet模糊积分的特征选择方法，其特征在于，所述步骤2具体为：

步骤2.1，将步骤1中的最优特征子集A初始化，通过最大冗余计算公式，如公式(9)，得到优选特征集合S，

max(R(S))

其中，label表示要识别的类别种类数，n_i表示第i类的样本总数，x_k表示在第i个类别下特征x在第k个样本下的真实值，y_k表示在第i个类别下特征x在第k个样本下的真实值。

步骤2.2，用步骤2.1中的优选特征集合S训练分类器，获得分类模型，并测试测试集；

步骤2.3，比较连续两次分类的准确率，若准确率提高，则修改S特征集合，通过使用每次优选的特征子集训练分类模型并做测试，获得自适应不同分类器和分类动作的最优特征子集。