[发明专利]用于特征选择的蚁狮优化方法、系统、设备及存储介质

权利要求书

1.一种用于特征选择的蚁狮优化方法，其特征在于，包括以下步骤：

步骤1：读取公共数据集，划分训练集和测试集；

步骤2：设定的相关性的最小阈值，使用信息增益计算公共数据集中每个特征项与类别标签之间的相关程度，删除相关性小于最小阈值所对应的特征项，得到特征子集；

步骤3：确定评估特征子集的分类器模型和特征子集的适应值函数；

步骤4：针对训练集中相关性大于等于最小阈值所对应的特征项，使用改进的蚁狮优化算法进一步选择更优特征组合。

2.根据权利要求1所述的一种用于特征选择的蚁狮优化方法，其特征在于，所述公共数据集为公开可用的病理性分类数据集，包括声音记录，文献记载和影像视频。

3.根据权利要求1所述的一种用于特征选择的蚁狮优化方法，其特征在于，所述设定的相关性的最小阈值，使用信息增益计算公共数据集中每个特征项与类别标签之间的相关程度，删除相关性小于最小阈值所对应的特征项，得到特征子集包括：

使用信息增益计算公共数据集中每个特征项列与类别标签列的相关性，与设定的相关性最小阈值进行比较，若该特征项列与类别标签列的相关性小于最小阈值，则删除该特征项列，否则保存，得到特征子集。

4.根据权利要求1所述的一种用于特征选择的蚁狮优化方法，其特征在于，所述适应值函数如下：

其中，fitness_i表示蚂蚁i的适应值，Num_c是分类结果显示正确的样本数，Num_t是数据集的样本总数量；Count_f是改进的蚁狮算法最终选出的特征组合所包含的特征项总数，Count_z是原数据集的特征总数；∝代表权重。

5.根据权利要求1所述的一种用于特征选择的蚁狮优化方法，其特征在于，所述针对训练集中相关性大于等于最小阈值所对应的特征项，使用改进的蚁狮优化算法进一步选择更优特征组合包括：

步骤4.1：设置相关参数，包含种群规模、最大迭代次数、当前迭代次数、随机游走上下界和进行参数初始化；

步骤4.2：创建蚂蚁种群和蚁狮种群并随机初始化两个种群位置；

步骤4.3：划分训练集和测试集；

步骤4.4：使用朴素贝叶斯分类器针对训练集所选特征子集在测试集上进行有效性验证评价；

步骤4.5：利用准对立学习策略优化蚂蚁种群和蚁狮种群，得到蚂蚁种群和蚁狮种群，计算相应适应值；

步骤4.6：选择适应值最佳的个体作为精英蚁狮；

步骤4.7：判断当前迭代次数是否小于最大迭代次数，若是则执行后续步骤，若否则算法流程结束，得到精英蚁狮及其适应值。

6.根据权利要求5所述的一种用于特征选择的蚁狮优化方法，其特征在于，在步骤4.7中，若当前迭代次数小于最大迭代次数，包括以下步骤：

步骤4.8：更新每只蚂蚁的位置；

步骤4.9：重新计算每只蚂蚁的适应值；

步骤4.10：更新蚁狮种群和精英蚁狮位置；

步骤4.11：判断当前迭代次数是否小于最大迭代次数，若是则继续执行步骤4.8，若否则算法流程结束，得到精英蚁狮及其适应值。

7.根据权利要求6所述的一种用于特征选择的蚁狮优化方法，其特征在于，在步骤4.8中，所述更新每只蚂蚁的位置包括：

步骤4.8.1:利用轮盘赌机制选出一只蚁狮；

步骤4.8.2:更新蚂蚁游走边界；

步骤4.8.3:通过自适应地减小蚂蚁的随机游走范围模拟蚂蚁滑入蚁狮的现象；

步骤4.8.4:围绕蚁狮和精英蚁狮随机游走；

步骤4.8.5:规范越界蚂蚁的位置。