[发明专利]基于双指标粒子群算法的同质人群识别方法

权利要求书

1.基于双指标粒子群算法的同质人群识别方法，其特征在于，包括：

采集公共卫生服务平台的使用人群信息，作为用户信息数据集；

将所述用户信息数据集通过聚类算法获得两个初始适应值；

将两个所述初始适应值作为适应函数进行迭代，得到聚类结果，获取同质人群信息数据。

2.根据权利要求1所述的基于双指标粒子群算法的同质人群识别方法，其特征在于，所述“采集公共卫生服务平台的使用人群信息，作为用户信息数据集”，包括：

将公共卫生服务平台的使用人群的信息全部转为数字，得到数据集；

将所述数据集转化为可读文件格式；

剔除所述数据集中的无用属性数据列，得到处理后的数据集；

将所述处理后的数据集进行标准化处理，得到所述用户信息数据集。

3.根据权利要求2所述的基于双指标粒子群算法的同质人群识别方法，其特征在于，所述“可读文件格式”，包括：csv格式或bat格式。

4.根据权利要求2所述的基于双指标粒子群算法的同质人群识别方法，其特征在于，所述“公共卫生服务平台的使用人群的信息”，包括：国籍、居住地、年龄信息。

5.根据权利要求1所述的基于双指标粒子群算法的同质人群识别方法，其特征在于，两个所述“初始适应值”，为：Fitness1(CH)、Fitness2(S_Dbw)。

6.根据权利要求5所述的基于双指标粒子群算法的同质人群识别方法，其特征在于，所述Fitness1(CH)的获取步骤是：

表示类别中离差矩阵的迹；

表示类别间离差矩阵的迹，m表示整个数据集的平均值向量；N为样本数量；K为迭代次数。

7.根据权利要求5所述的基于双指标粒子群算法的同质人群识别方法，其特征在于，所述Fitness2(S_Dbw)的获取步骤是：

S_Dbw(c)＝Scat(c)+Dens_bw(c)

其中：

Dens_bw(c)用来评估两个类一起的密度和每个单独的类的密度的关系；

density(u)用来表征u周围点的数目，比较的阈值为1中的stdev；

stdev表示一个数据集各个类的平均偏离；

Scater(c)表示类间的平均分散度。

8.根据权利要求5所述的基于双指标粒子群算法的同质人群识别方法，其特征在于，所述“将两个所述初始适应值作为适应函数进行迭代，得到聚类结果，获取同质人群信息数据”的过程是：

a.初始化粒子群算法的各个参数：

b.根据CH、S_Dbw指标公式分别计算每个粒子的适应值Fitness1与适应值Fitness2；

c.对每一个粒子，将其当前位置的所述适应值Fitness1与所述适应值Fitness2与其历史最佳位置对应的两个适应值比较，如果当前位置的两个适应值都更高，则用当前位置更新历史最佳位置，否则不做更新；

d.对每一个粒子，将其当前位置的所述适应值Fitness1与所述适应值Fitness2与其全局最佳位置对应的两个适应值比较，如果当前位置的两个适应值都更高，则用当前位置更新全局最佳位置，否则不做更新；

e.更新粒子的位置与速度：

粒子速度更新公式：

粒子位置更新公式：

其中，V_id^k表示第k次迭代粒子i速度矢量的第d维分量；x_i^dk表示第k次迭代粒子i位置矢量的第d维分量；c₁，c₂表示加速度常数；r₁，r₂表示两个随机参数，取值范围[0,1]；w表示惯性权重；

f.若未满足结束条件，则返回步骤b，若满足结束条件则算法结束，全局最佳位置即全局最优解；

最后输出聚类结果，获得准确的同质人群信息数据。