[发明专利]一种基于参考点非支配排序遗传算法的多目标特征选择方法及系统

权利要求书

1.一种基于参考点非支配排序遗传算法的多目标特征选择方法，其特征在于，包括：

S1：对于输入数据集，采用全局优化算法来寻找一组帕累托子集，其中，一组帕累托子集为特征选择的一组最优解，为一组特征子集，全局优化算法为参考点非支配排序遗传算法，以相关性、互补性、分类精度、冗余度和特征数量为优化目标，使得相关性、互补性和分类精度最大，并使得冗余度和特征数量最小；

S2：计算帕累托子集的最佳分类精度值，并基于最佳精度值和预设参数δ找出δ准等信息子集，根据找出的δ准等信息子集消除劣等子集，得到最终的目标δ准等信息子集，其中，δ准等信息子集用以表示与步骤S1中得到的特征子集的一个分类性能相近的子集，目标δ准等信息子集包含选择出的目标特征。

2.如权利要求1所述的多目标特征选择方法，其特征在于，S1具体包括：

S1.1：将输入数据集分划为训练集和测试集；

S1.2：采用参考点非支配排序遗传算法初始化种群；

S1.3：在算法的每次迭代中计算每个个体的相关性、互补性、分类精度、冗余度和特征数量五个目标值，并利用这些目标值对种群进行更新，其中，每个个体对应一个特征；

S1.4：算法结束迭代后得到一组关于相关性、互补性和分类精度、冗余度和特征数量五个目标值的一组帕累托有效解A，将其作为特征子集。

3.如权利要求1所述的多目标特征选择方法，其特征在于，S2具体包括：

S2.1：计算S1中得到的一组特征子集的最佳分类精度值，最佳分类精度值为分类精度的最大值；

S2.2：根据对分类性能的预期值设定预设参数δ，其中，预设参数δ用以衡量一个子集与S1中得到的特征子集是否具有相近的分类性能；

S2.3：基于最佳分类精度值和预设参数δ判断基准子集是否为步骤S1中的特征子集的δ准等信息子集，判断方法为：如果0＝δ＝1时，f(S_i)＝(1-δ)f(S_j)，则子集S_i与子集S_j具有准同等的信息量，筛选出δ准等信息子集，f表示分类性能指标f，f(S_i)表示子集S_i的最佳分类精度值，f(S_j)表示子集S_j的最佳分类精度值；

S2.4：如果一个准等信息子集S_k被另一个准等信息子集S_p包含，并且S_k的分类精度值小于S_p，那么S_k被判定为劣等子集，将其消除，得到最终的目标δ准等信息子集。

4.一种基于参考点非支配排序遗传算法的多目标特征选择系统，其特征在于，包括：

特征子集选择模块，用于对于输入数据集，采用全局优化算法来寻找一组帕累托子集，其中，一组帕累托子集为特征选择的一组最优解，为一组特征子集，全局优化算法为参考点非支配排序遗传算法，以相关性、互补性、分类精度、冗余度和特征数量为优化目标，使得相关性、互补性和分类精度最大，并使得冗余度和特征数量最小；

目标特征选择选择模块，用于计算帕累托子集的最佳分类精度值，并基于最佳精度值和预设参数δ找出δ准等信息子集，根据找出的δ准等信息子集消除劣等子集，得到最终的目标δ准等信息子集，其中，δ准等信息子集用以表示与步骤S1中得到的特征子集的一个分类性能相近的子集，目标δ准等信息子集包含选择出的目标特征。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被执行时实现如权利要求1至3中任一项权利要求所述的方法。

6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3中任一项权利要求所述的方法。