[发明专利]基于改进粒子群算法的数据特征选择方法及系统

权利要求书

1.一种基于改进粒子群算法的数据特征选择方法，其特征是：包括以下步骤：

确定评估特征子集的分类器模型；

以分类器模型的正确分类率指导特征选择，逐步加入特征子集个数共同指导特征的选择，建立特征子集的质量评价函数；

确定数据集中特征选择标准；

对粒子群算法进行改进，根据建立的特征子集质量评价函数，计算粒子群中每一个粒子的适应度值，采用Logistic混沌图谱更新粒子群算法的惯性权重，以改进后的粒子群算法处理数据集，得到选择结果。

2.如权利要求1所述的一种基于改进粒子群算法的数据特征选择方法，其特征是：使用K最近邻作为评估所选特征子集的分类器模型，同时采用十折交叉验证法来避免样本分布的不均衡问题。

3.如权利要求1所述的一种基于改进粒子群算法的数据特征选择方法，其特征是：对数据集进行随机划分，一部分作为训练样本，另一部分作为测试样本，进行分别测试，将得到的结果求平均，得到特征子集在分类器模型上得出的正确分类率。

4.如权利要求1所述的一种基于改进粒子群算法的数据特征选择方法，其特征是：利用自适应调整策略指导特征子集的选择，一开始依靠正确分类率高来指导特征选择，随着选择过程的继续，逐渐加入特征子集个数少这一指标来共同指导特征的选择。

5.如权利要求1所述的一种基于改进粒子群算法的数据特征选择方法，其特征是：确定数据集中特征选择标准为确定粒子种群的粒子位置范围，以各粒子的位置来决定相应的特征的选中和不选中。

6.如权利要求1所述的一种基于改进粒子群算法的数据特征选择方法，其特征是：利用改进的粒子群算法处理数据特征选择的过程包括：

(1)输入需要进行特征选择的数据集；

(2)初始化粒子种群的种群大小、最大迭代次数，并随机初始化粒子个体的初始位置和飞行速度；

(3)根据建立的特征子集质量评价函数，计算粒子群中每一个粒子的适应度值；

(4)初始化粒子群的个体最优位置pbest和全局最优位置gbest；

(5)采用Logistic混沌图谱更新粒子群算法的惯性权重，更新粒子群中每一个粒子的飞行速度；

(6)计算动态修正因子，采用组合位置更新粒子群中粒子的位置；

(7)计算粒子种群中每一个粒子的适应度值，并更新粒子群的个体最优位置pbest和全局最优位置gbest，得到更新问题的最优完整解；

(8)判断粒子群的进化是否到达算法设置的最大迭代次数，若是，停止进化，输出最优完整解作为数据集的最佳特征子集；否则，转入步骤(5)。

7.如权利要求6所述的一种基于改进粒子群算法的数据特征选择方法，其特征是：所述步骤(1)中，对需要进行特征选择的数据进行处理，将其用一个特征向量表示，具体是指将已获得的数据且已知标签的数据，用一条含有许多特征的向量进行表示，向量的每一维都表示该数据集中的一个特征。

8.如权利要求6所述的一种基于改进粒子群算法的数据特征选择方法，其特征是：所述步骤(7)中，对于粒子种群中的任何一个粒子，如果其适应度值优于历史最优位置的适应度值，则将当前粒子的位置作为新的个体最优位置，否则，保持粒子的历史个体最优位置不变；考虑种群的环形拓扑结构，将每个粒子的适应度值与其相邻若干个粒子的适应度值就行比较，并将适应度值较小的粒子作为当前粒子种群的全局最优位置。

9.如权利要求6所述的一种基于改进粒子群算法的数据特征选择方法，其特征是：所述步骤(7)中，比较粒子种群中所有粒子的适应度值，选出适应度值最小的一个粒子的位置，并与当前的最优完整解进行比较，如果其适应度值小于当前最优完整解的适应度值，则用该粒子位置去替换当前的完整解作为新的最优完整解；否则，最优完整解保持不变。

10.一种基于改进粒子群算法的数据特征选择系统，其特征是：运行于处理器或存储器上，被配置为执行以下指令：

确定评估特征子集的分类器模型；

以分类器模型的正确分类率指导特征选择，逐步加入特征子集个数共同指导特征的选择，建立特征子集的质量评价函数；

确定数据集中特征选择标准；

对粒子群算法进行改进，根据建立的特征子集质量评价函数，计算粒子群中每一个粒子的适应度值，采用Logistic混沌图谱更新粒子群算法的惯性权重，以改进后的粒子群算法处理数据集，得到选择结果。