[发明专利]用于模式分类的动态特征选择方法

摘要

本发明公开了一种用于模式分类的动态特征选择方法，按下列步骤进行：预处理模块对样本进行预处理后向知识库发出请求，如果请求为分类请求，则预处理模块向知识库获取最优特征组合对样本进行规则化后交给分类器进行分类，如果请求为特征选择请求，则预处理模块将部分样本输出给知识库，并结合知识库的部分样本进行组合，从组合的样本中输出部分样本进入特征选择模块，知识库中还输出特征选择模块和分类器需要动态调整的参数以及比率系数，指导特征选择模块和分类器结合进行特征选择，选择结束后，将相关参数反馈给知识库进行知识更新。本发明能够从不断变化的模式样本中动态选择出最优特征组合，更符合实际情况，满足高精度分类的需求。

主权项

1、一种用于模式分类的动态特征选择方法，其特征在于包括有下列步骤：(一)预处理模块(1)获取初始输入样本，并对初始输入样本进行预处理，获得预处理输入样本；(二)预处理模块(1)向知识库(2)发出请求，该知识库(2)对请求进行判断；所述请求分为两种：分类请求和特征选择请求；当请求是分类请求时，进入分类流程，当请求是特征选择请求时，进入特征选择流程；如果在特征选择流程中，收到分类请求，则中断特征选择流程，转入分类流程；所述分类流程为：所述知识库(2)向预处理模块(1)输出存储的最优特征组合，该预处理模块(1)根据该最优特征组合对所述预处理输入样本进行规则化，并输出规则化后的输入样本给分类器(3)，分类器(3)接收知识库(2)传递的需动态调整的分类参数后，对接收的规则化输入样本进行分类；所述特征选择流程为：A、所述知识库(2)随机读取所述预处理模块中的部分预处理输入样本个体，组成输入训练样本，该输入训练样本与知识库(2)中存储的存储训练样本整合，组成整合训练样本；B、所述知识库(2)随机选择整合训练样本中的部分个体，组成选择训练样本，该知识库(2)对特征选择模块(4)和分类器(3)进行知识加载，包括：所述知识库(2)将所述选择训练样本分别送至特征选择模块(4)和分类器(3)；知识库(2)还将存储的特征选择模块(4)需要动态调整的特征选择参数送至特征选择模块(4)，将存储的分类器(3)需要动态调整的分类参数送至分类器(3)；所述知识库(2)还将存储的最优特征组合和初始种群送入所述特征选择模块(4)；C、所述知识库(2)中还将存储的比率系数送入所述特征选择模块(4)；D、所述特征选择模块(4)计算初始种群中所有个体的适应度值，并将初始种群个体按照适应度值的高低排序，该特征选择模块(4)按照所述比率系数规定的百分比，从适应度值最高的个体起依次选择占所有个体百分比的部分个体组成分类种群，送入分类器(3)进行分类；E、所述分类器(3)根据所述分类种群对所述选择训练样本进行分类，算出每个分类种群个体的分类正确率，并按分类种群个体的排序将该分类正确率返回给所述特征选择模块(4)；完成一次分类，分类器(3)得到新一代的分类参数；F、所述特征选择模块(4)按照分类正确率将分类种群个体进行重新排序，并和初始种群中剩下的个体组合成新的种群，然后进行特征选择；G、完成一次特征选择后，得到新一代的最优特征组合和种群以及新一代的特征选择参数，并判断是否符合终止条件，如果不符合，再返回到步骤D，对新一代种群进行操作；如果符合终止条件，则结束特征选择和分类，输出得到的新一代最优特征组合，并对知识库(2)进行知识更新：将得到的新一代最优特征组合和种群以及新一代特征选择参数和分类参数返回给所述知识库(2)，对知识库(2)存储的最优特征组合、初始种群以及特征选择参数和分类参数进行更新。