[发明专利]一种基于人工神经网络的特征选择方法

摘要

本发明公开了一种基于人工神经网络的特征选择方法，包括：①用户给定需要进行特征选择的所有特征，给出对人工神经网络进行训练用的样本；②选定模糊隶属度函数的个数，设置人工神经网络各层的节点数以及各层之间的连接权值和模糊隶属度函数参数的初始值；③利用反向传播算法，以批处理的学习方式，对网络进行训练，调整网络连接权值和模糊隶属度函数的参数；④计算所有特征的重要性度量，并对特征排序。本发明较好地避免了数据归一化的难题；计算简单，网络只需训练一次；容易和各种搜索算法结合起来组成一个完整的特征选择系统。本发明已成功应用于多种具有多维特征的模式识别和目标分类，也可应用于各类涉及数据型特征的模式识别领域。

主权项

1.一种基于人工神经网络的特征选择方法，包括以下步骤：(1)用户指定需要进行特征选择的特征f_i，i＝1，…，N，给出对人工神经网络进行训练用的训练样本集：训练样本有相同的维数R，R＝N，分为K个类别：ω₁，…，ω_K，第q个训练样本x_q的第i维x_qi即指定的第i个特征f_i的第q次观测值；(2)根据训练样本，构造依次由输入层、模糊映射层、隐含层和输出层组成的人工神经网络；神经网络数据由输入层输入神经网络，通过连接权w²传递到模糊映射层，经过模糊映射层作用之后再通过连接权w³传递到隐含层，经过隐含层作用之后再通过连接权w⁴传递到输出层获得输出，其中，m＝2，3，4；(3)使用用户给出的训练样本集训练初始化之后的人工神经网络，其处理过程为：(3.1)选用均方误差的估计量e作为学习过程中的性能指数：e=1QΣq=1QΣi=1G(tim(q)-aim(q))2]]>其中，t_i^m(q)是第m层的节点i在输入第q个样本时的输出的目标值，a_i^m(q)是第m层的节点i在输入第q个样本时的实际输出，G为该层的节点数；(3.2)采用反向传播算法对人工神经网络各层之间的连接权矩阵w^m进行训练，其中m＝3，4；(3.3)对模糊映射层节点的作用函数中的参数ξ，σ，τ进行更新；(3.4)当e满足收敛条件时，进入步骤(4)，否则重复步骤(3.2)-(3.3)；(4)使用已训练好的人工神经网络对特征进行模糊剪枝，计算每个特征的重要性度量，并按重要性的度量值对特征排序。