[发明专利]基于决策树混合滤波‑封装的多特征融合方法

权利要求书

1.一种基于决策树混合滤波-封装的多特征融合方法，其特征是，步骤如下：1)构建决策树；2)基于提出的最大可分类标准得分MCC(Maximal Classifiable Criterion)进行最大值局部最优特征选择；3)根据MCC评分进行特征向量的排序；4)全局最优特征选择。

2.如权利要求1所述的基于决策树混合滤波-封装的多特征融合方法，其特征是，构建决策树具体步骤：在使用主成分分析PCA(Principle Component Analysis)和线性判别分析LDA(Linear Discriminant Analysis)进行特征提取后进行决策树的构建，PCA用于降维，LDA用于在低维空间产生特征向量；具体地，对于n类问题，类内和类间分散矩阵S_w、S_b通过如下方法计算：

Sw=Σi=1nPr(Ci)Σi---(1)]]>

Sb=Σi=1nPr(Ci)(mi-m0)(mi-m0)T---(2)]]>

其中P_r(C_i)是先验概率，m_i表示第i类样本的均值向量，m₀表示所有样本的均值向量，决策树的高度等于原始特征集的维度N，对于有n个不同的特征集合的模式系统，每个第j级的树节点具有n+2(C_n²+C_n³+...+C_n^N)个子节点，包括在第(j+1)维的n个原始子特征、C_n²+C_n³+...+C_n^N个这些子特征的串行融合，和C_n²+C_n³+...+C_n^N个这些子特征的并行融合，同一级上的树节点具有相同数目的子节点；

串行融合按照前后顺序连接所有相同维度的原始子特征来生成新特征，并行融合通常利用加权线性组合来生成新的子特征，如公式(3)所示。

V＝w₁X₁+w₂X₂+...+w_nX_n(3)

其中，X_i表示第i个原始特征集，wi表示其权重被定义如下：

w(i,j)=12×(nTrace(i,j)(Sb./Sw)+dA(i,j))---(4)]]>

其中，w_(i,j)是第i个特征集的第j维度的子特征权重，Trace_(i,j)是从子特征计算出来的(S_b./S_w)的迹，dA_(i,j)(dimensionalAccuracy_(i,j))是识别这些子特征的准确度，通过以下公式将迹归一化到[0,1]的范围内：

nTrace(i,j)(Sb./Sw)=trace(i,j)max(tarce(1,j),trace(2,j),...trace(n,j))---(5)]]>

其中w_(i,j)由下式定义

w(i,j)=w(i,j)w(1,j)+w(2,j)+w(3,j)+...+w(n,j)---(6).]]>

局部最优特征选择是从决策树每一层上的原始子特征和串行或并行融合以后子特征中找出识别率最优的子特征，该选择是基于方程式(4)中定义的分类标准进行选择的，符合最大可分类标准得分(MCC)的子特征被认为是这一层上的最优子特征，由于并行融合与串行融合的机理不同，MCC对串行融合和并行融合情况进行分别定义：

(1)在第i个特征集的第j维原始子特征，以及原始子特征的并行融合的MCC定义如下：

max(nTrace_(i,j)(S_b./S_w)×dA_(i,j))(7)

(2)对于这些原始子特征的串行融合的MCC定义如下：

Σi=1n(nTrace(i,j)(Sb./Sw)×dA(i,j))Σi=1ndA(i,j)---(8)]]>