[发明专利]一种基于无监督特征选择的分类方法

摘要

本发明公开了一种基于无监督特征选择的分类方法，将高维数据表述成相似图形式，用信息理论度量学习（ITML）得到样本点之间的距离，建立原高维数据的相似矩阵；接着对相似矩阵和其对应的对角矩阵，采用SM算法完成原始样本集到特征向量空间的映射；然后通过学习稀疏系数向量和MCFS得分，得到原始样本集中每个属性的权重系数，并选出最能表达原样本信息的属性；最后用支持向量机对特征选择后的数据建立分类模型，对驾驶员的疲劳状况进行预测。本方法在建立分类模型前，对高维数据在保留数据簇结构的情况下进行特征选择，从而解决了维度灾难给数据分类带来的负面影响。

主权项

一种基于无监督特征选择的分类方法，其特征在于，包括以下步骤：(1)采集疲劳驾驶实验中志愿者的脑电图，对脑电图数据进行预处理，并进行特征抽取和归一化，得到样本数据集；(2)将步骤(1)得到的样本数据集表述成相似图形式，并采用信息理论度量学习得到样本数据集中不同样本点之间的距离，即建立样本数据集的相似矩阵W，其中，xi、xj代表两个不同的样本数据，M是一个d×d维的半正定矩阵，d为输入空间的维度，WM(xi,xj)为xi、xj两个样本点之间的距离；(3)采用SM算法，利用样本数据集的相似矩阵W和其对应的对角矩阵D得到相似图的非规格拉普拉斯矩阵L，求解L的广义特征向量，取前k个记为Y＝[y1,…,yk]，完成样本数据集到特征向量空间的映射；(4)对样本数据集的每个维度的重要性，首先计算各维度沿每个特征向量的相关系数，然后通过MCFS得分，得到每个维度对于样本数据集的相关系数；(5)将步骤(4)得到的每个维度对于样本数据集的相关系数从大到小进行排序，选择相关系数较大的维度，完成样本数据集的特征选择；(6)用支持向量机对步骤(5)特征选择后的数据建立分类模型；(7)采集驾驶员的脑电数据，将其进行步骤(1)到步骤(5)所述的处理后，输入步骤(6)建立的分类模型，判断其是否处于疲劳状态。