[发明专利]一种基于多模态多目标的特征选择算法

权利要求书

1.一种基于多模态多目标的特征选择算法，其特征在于：包括以下步骤：

(1)采用十折交叉验证方法将初始数据集分为训练数据集和测试数据集，训练数据集用于计算每个个体的适应度，测试数据集用于验证分类的结果；

(2)对训练数据集进行初始化种群个体，随机对每个个体进行编码，“1”代表对应特征被选择，“0”代表未被选择，对生成的种群个体进行非支配排序；

(3)以KNN的预测精度和选择的特征个数计算每个个体的适应度值，并计算SDE指标值；

(4)根据适应度值的SDE指标值计算每个个体的适应度欧式距离比(FER值)；根据FER值，采用轮盘赌策略选中父代个体；通过变异和交叉操作生成新个体；

(5)将步骤(4)中得到的新个体再进行非支配排序，选择排序在前50％的种群个体采用DE/rand/2策略进行变异操作，并对变异过程中超出边界的个体进行边界处理；

(6)将步骤(4)和(5)所得个体合并形成新种群，并计算适应度值；

(7)将步骤(6)的新种群与步骤(2)中的初始化种群放入档案集中，并对档案集中个体进行非支配排序和计算相应的SDE指标值；

(8)以步骤(7)档案集中个体的帕累托前沿数最下和SDE指标值最下为准则选取档案集中前N个个体作为保留下来的个体。

2.根据权利要求1所述的一种基于多模态多目标的特征选择算法，其特征在于：步骤(3)中，SDE指标值采用公式(1)进行计算：

其中，表示P的第i个目标值，M为目标个数，个体P的值定义为该个体与种群中其他个体之间最小偏移密度估计距离。

3.根据权利要求1所述的一种基于多模态多目标的特征选择算法，其特征在于：步骤(5)中，DE/rand/2策略的表达式如下：

其中，r₁ⁱ,r₂ⁱ,r₃ⁱ,r₄ⁱ,r₅ⁱ为[1,NP]内整数的互异个体索引号，且与索引号i不同，F∈[0,1]，F为缩放因子，NP为种群大小，G为迭代次数。

4.根据权利要求3所述的一种基于多模态多目标的特征选择算法，其特征在于：步骤(5)中，对于变异过程中超出边界的个体进行边界处理，其计算公式如(3)所示：

其中，F取0.9。