[发明专利]一种基于CNN与RF的老年人平衡能力特征选择方法

说明书

本发明涉及一种基于CNN与RF高维多粒度特征选择方法，属于信息处理技术领域。本发明基于高纬多粒度特征数据集，结合深度学习算法和机器学习算法用于解决高纬多粒度特征提取的问题。首先利用深度学习算法CNN模型构建了一种FSelCNN模型，通过该模型将原有数据从多粒度转化为单一粒度，使得该数据成为机器学习算法所需的数据；最后利用机器学习算法RF从该高纬的数据中选择出影响实际问题的有效特征。本发明从高纬多粒度特征数据的单一特征层面出发，将其从多粒度维度转化为单一粒度维度，有效解决了运算复杂度；模型减少了参数量，能够在较短时间内训练完成；适用于各种高纬多粒度数据，自适应能力较强，并且具有较好的效果。

技术领域

本发明属于信息处理技术领域，涉及一种基于CNN与RF高维多粒度的老年人平衡能力特征选择方法。

背景技术

随着互联网时代数据的爆炸式增长，出现了各种形式的数据特征，急需一种高效的方法来解决各种形式的数据带来的问题，从而更好地为机器学习模型提供高效地数据支持，并有效的反应数据带来的实际效果。并且，机器学习在实际应用过程中，特征工程在其中扮演着不可替代的角色。在机器学习领域普遍认为，机器学习算法的上界取决于数据与特征工程，而最终的模型只不过是通过线性和非线性的方式来不断地来逼近这个上界。

因此，如何做好特征工程成为机器学习的重要过程。特征工程由特征选择与特征提取两个部分组成。基于特征选择与特征提取有各种算法来解决相应的问题。诸如SVD(Singular Value Decomposition)算法，PCA(Principal Component Analysis)算法，LDA(Linear Discriminant Analysis)算法以及深度学习算法等，这些算法可以更好的将高纬数据特征映射到低维特征空间中，解决维度灾难问题。 PCA算法，它是一种通过主成分分析的无监督降维算法，它不依赖与样本的类别，可以有效的将高纬的无标签的数据特征映射到特定位维度的低维空间。而LDA 则是一种能够通过样本标签将高纬数据特征映射到低维特征空间的有监督算法。通过样本标签不断的最小化损失函数来选择最佳的特征。

然而，以上这些算法虽然在维度上解决了维度灾难问题，但是最终都是通过一些特征的线性组合来合并特征，提取出最有影响的特征，并没有具体到某个特征，这并不能满足有些特定的问题，诸如从人体的42个部位提取出25个部位，通过这25个部位平衡老年人身体平衡能力。对于这种类型的问题，传统的PCA 以及LDA的方法已经满足不了它的需求。

针对以上这些问题，本专利提出了一种基于CNN(Convolutional NeuralNetworks)与随机森林RF(Random Forest)的特征选择方法，该方法通过利用CNN 的特性对原有数据进行降维。然后利用RF来选择高效的特征来找出影响实际问题的主要特征因素。本专利以老年人身体平衡能力数据集为例，测试了该方法的有效性。

发明内容

本发明提出了一种基于CNN与RF高维多粒度的老年人平衡能力特征选择方法，用于从老年人身体平衡能力数据集中找到影响老年人身体平衡能力的数据特征。本发明基于高纬多粒度特征数据集，结合深度学习算法和机器学习算法提出了一种选择高纬多粒度特征的方法。首先利用深度学习算法CNN模型构建了一种 FSelCNN(Feature SelectConvolutional Neural Networks)模型，通过该模型将原有数据从多粒度转化为单一粒度，使得该数据成为机器学习算法所需的数据；最后利用机器学习算法RF从该高纬的数据中选择出影响实际问题的有效特征。实验分析以影响老年人身体平衡能力的数据特征为例，来说明方法的有效性。

为实现上述目的，本发明采用如下的技术方案

一种基于CNN(Convolutional Neural Networks)与RF(Random Feature)高维多粒度特征选择方法，包括以下步骤：

1、一种基于CNN与RF高维多粒度特征选择方法，包括以下步骤：

步骤1数据表示