[发明专利]一种用于认知状态识别的特征分组归一化方法

摘要

一种用于认知状态识别的特征分组归一化方法涉及模式识别领域的特征归一化问题，其步骤为：(1)特征数据分组；(2)任选一个归一化函数，计算出各分组对应的归一化函数的参数；(3)构建分组归一化函数，将各分组对应的归一化函数的参数代入其函数内，得到各个分组的归一化映射关系；(4)分组归一化处理，每个分组使用对应的归一化函数进行特征数据变换，特征归一化结束。特征整体归一化方法只能解决特征之间数据分布的多样性问题，不能解决特征内部数据分布差异过大的问题，本发明提出的分组归一化方法既保留了特征整体归一化方法的优点，同时减少了特征数据内部分布尺度过大的问题，从而提高了分类正确率，本发明提出的特征分组归一化方法具有很强的鲁棒性。

主权项

一种用于认知状态识别的特征分组归一化方法，其特征在于：(1)特征数据分组(1‑1)特征X来源于A类的特征数据为XA_ij，i＝1，2，...，m，j＝1，2，...，n₁，m为用户数，n₁为A类任务数；(1‑2)特征X来源于B类的特征数据为XB_ij，i＝1，2，...，m，j＝1，2，...，n₂，m为用户数，n₂为B类任务数；(1‑3)构造特征X的特征矩阵：如下：$X=\left[\begin{array}{cccccccc}{\mathrm{XA}}_{11}& {\mathrm{XA}}_{12}& ...& {\mathrm{XA}}_{{1n}_1}& {\mathrm{XB}}_{11}& {\mathrm{XB}}_{12}& ...& {\mathrm{XB}}_{{1n}_2}\\ {\mathrm{XA}}_{21}& {\mathrm{XA}}_{22}& ...& {\mathrm{XA}}_{{2n}_1}& {\mathrm{XB}}_{21}& {\mathrm{XB}}_{22}& ...& {\mathrm{XB}}_{{2n}_2}\\ & & & ......& ......& & & \\ {\mathrm{XA}}_{i1}& {\mathrm{XA}}_{i2}& ...& {\mathrm{XA}}_{{\mathrm{in}}_1}& {\mathrm{XB}}_{i1}& {\mathrm{XB}}_{i2}& ...& {\mathrm{XB}}_{{\mathrm{in}}_2}\\ & & & ......& ......& & & \\ {\mathrm{XA}}_{m1}& {\mathrm{XA}}_{m2}& ...& {\mathrm{XA}}_{{\mathrm{mn}}_1}& {\mathrm{XB}}_{m1}& {\mathrm{XB}}_{m2}& ...& {\mathrm{XB}}_{{\mathrm{mn}}_2}\end{array}\right]$   式1(1‑4)将特征X按用户分组，每一行为一组，m个用户对应m个行，共分成m个特征数据组，特征X的第i个分组为：$X_i=\left(\begin{array}{cccccccc}{\mathrm{XA}}_{i1}& {\mathrm{XA}}_{i2}& ...& {\mathrm{XA}}_{{\mathrm{in}}_1}& {\mathrm{XB}}_{i1}& {\mathrm{XB}}_{i2}& ...& {\mathrm{XB}}_{{\mathrm{in}}_2}\end{array}\right)$   式2i＝1，2，...，m(2)分组参数估计(2‑1)任选一个归一化函数f(x)；(2‑2)根据(2‑1)所选归一化函数的系数要求，对特征X的每个分组分别进行参数估计，共得到m个分组的参数，得到第i个分组X_i的k个参数为参数i1，参数i2，...，参数ik，，i＝1，2，...，m；(3)分组归一化函数构建根据步骤(2)，对特征X的每个分组分别构建分组归一化函数，特征X的m个分组中第i，i＝1，2，...，m个分组X_i的归一化函数的参数使用对应的第i个分组的参数，即参数i1，参数i2，...，参数ik，不同的分组其参数不同，这样不同分组就构建了各自不同的归一化函数，特征X的m个分组共构建m个分组归一化函数，第i个分组的归一化函数为：f_i(x)，i＝1，2，...，m；(4)分组归一化处理根据步骤(3)构建的分组归一化函数，对特征X的特征数据进行分组归一化处理，特征X的m个分组中第i，i＝1，2，...，m个分组X_i的归一化使用对应的第i个分组的归一化函数f_i(x)进行归一化处理，其方法为：把归一化前的第i个分组的特征数据X_i代入第i个分组的归一化函数f_i(x)中，得到第i个分组归一化后的特征数据X′_i，如式3：$\begin{array}{c}{X}_i^{\′}=X_i\→f_i\left(x\right)\\ =\left({\mathrm{XA}}_{i1}^{\′}{\mathrm{XA}}_{i2}^{\′}{...\mathrm{XA}}_{{\mathrm{in}}_1}^{\′}{\mathrm{XB}}_{i1}^{\′}{\mathrm{XB}}_{i2}^{\′}{...\mathrm{XB}}_{{\mathrm{in}}_2}^{\′}\right)\\ {\mathrm{XA}}_{\mathrm{ij}}^{\′}={\mathrm{XA}}_{\mathrm{ij}}\→f_i\left(x\right)\\ i=1,2,...,m,j,=\mathrm{1,2},...,n_1\\ {\mathrm{XB}}_{\mathrm{ij}}^{\′}={\mathrm{XB}}_{\mathrm{ij}}\→f_i\left(x\right)\\ i=\mathrm{1,2},...,m,j,=\mathrm{1,2},...,n_2\end{array}$   式3XA_ij是分组归一化前的特征X的A类特征数据，XB_ij是分组归一化前的特征X的B类特征数据；是分组归一化后的特征X的A类特征数据，是分组归一化后的特征X的B类特征数据，使用公式3完成各个分组的分组归一化后，特征X归一化结束。