[发明专利]一种可迁移的特征自动选取声学诊断方法及系统

权利要求书

1.一种可迁移的特征自动选取声学诊断方法，其特征在于，包括：

S1：获取原始音频，对所述原始音频进行特征提取处理，获得声学特征；

S2：通过混合特征选择模型对所述声学特征进行筛选，获得最优特征子集；

所述混合特征选择模型包括：SFS-SVM模型、SFS-KNN模型、RFE-RF模型、RFE-XGB模型和MIC模型；

步骤S2具体为：

S21：通过SFS-SVM模型计算获得SFS-SVM模型准确率达到最高时所用的特征集合F_T1，通过SFS-KNN模型计算获得SFS-KNN模型准确率达到最高时所用的特征集合F_T2；

S22：通过RFE-RF模型计算获得RFE-RF模型准确率达到最高时所用的特征集合F_T3，通过RFE-XGB模型计算获得RFE-XGB模型准确率达到最高时所用的特征集合F_T4；

S23：通过MIC模型计算获得MIC模型的最优特征的排序Rank_MIC；

S24：计算获得最优特征子集的最大集合F_max和最优特征子集的最小集合F_min；

；

S25：构建新排名，获取新排名下前T个特征集合F_T，F_T满足条件：；

S26：计算获得最优特征子集F_a，；

为最小特征子集选取函数；

S3：通过所述最优特征子集构建特征矩阵；

S4：通过集成诊断模块对所述特征矩阵进行诊断，获得声学诊断结果。

2.根据权利要求1所述的可迁移的特征自动选取声学诊断方法，其特征在于，步骤S1具体为：

S11：对所述原始音频依次进行预加重处理、分帧处理和加窗处理，获得预处理后的音频；

S12：从所述预处理后的音频中提取声学特征，所述声学特征包括：时域特征、频域特征、小波域特征和波形特征。

3.根据权利要求1所述的可迁移的特征自动选取声学诊断方法，其特征在于，步骤S21具体为：

S211：设置SVM特征集合、KNN特征集合和计数k，将SVM特征集合初始化为空集F_(SVM,0)，将KNN特征集合初始化为空集F_(KNN,0)，将k的值初始化为1；

S212：判断计数k的值，若k≤m则进入步骤S213，否则进入步骤S218；m为提取的声学特征集合中的特征数量；

S213：计算获得第k次SFS-SVM模型的最优特征f_t^k，计算公式为：

其中，为最优特征选取函数，F_(SVM,k-1)为第k-1次更新后的SVM特征集合，G_SVM()为SFS-SVM模型的评价函数，X为声学特征数据，F为声学特征集合，f_j为声学特征集合中的第j个特征，j为特征的编号；

S214：将f_t^k添加至SVM特征集合中，获得第k次更新后的SVM特征集合F_(SVM,k)，计算公式为：；

通过第k次svm的评价函数获得第k次更新后的svm特征集合的准确率，计算公式为：

S215：计算获得第k次SFS-KNN模型的最优特征f_p^k，计算公式为：

其中，F_(KNN,k-1)为第k-1次更新后的KNN特征集合，G_KNN()为SFS-KNN模型的评价函数；

S216：将f_p^k添加至KNN特征集合中，获得第k次更新后的KNN特征集合F_(KNN,k)，计算公式为：；

通过第k次KNN的评价函数获得第k次更新后的KNN特征集合的准确率，计算公式为：

S217：令k=k+1，返回步骤S212；

S218：计算获得svm的最终排序，计算公式为：；

其中，Rank_(SVM,F)为SVM特征集合中最优特征的排序，为SVM特征集合中准确率的排序；

计算获得KNN的最终排序，计算公式为：；

其中，Rank_(KNN,F)为KNN特征集合中最优特征的排序，为KNN特征集合中准确率的排序；

S219：计算获得SFS-SVM模型准确率达到最高时所用的特征集合F_T1，计算公式为：

其中，T1为SFS-SVM模型达到最高准确率时所用特征个数；

计算获得SFS-KNN模型准确率达到最高时所用的特征集合F_T2，计算公式为：

其中，T2为SFS-KNN模型达到最高准确率时所用特征个数。