[发明专利]基于动态规划和K-means聚类的特征选择算法在审
| 申请号： | 201610363758.0 | 申请日： | 2016-05-26 |
| 公开（公告）号： | CN106022385A | 公开（公告）日： | 2016-10-12 |
| 发明（设计）人： | 董敏;曹丹;刘皓熙;毕盛 | 申请（专利权）人： | 华南理工大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 广州市华学知识产权代理有限公司 44245 | 代理人： | 罗观祥 |
| 地址： | 510640 广*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于动态规划和K‑means聚类的特征选择算法，包括步骤：1)数据预处理，主要解决特征数据中存在的数据重复、数据属性值缺失问题；2)借助动态规划的核心思想预选择出特征子集，并且采用类间类内距离作为动态规划决策过程中的性能函数；3)改进原始的K‑means聚类算法，并且使用改进后的K‑means算法对动态规划阶段生成的特征子集进行聚类，剔除冗余特征，优化选择出的特征子集。本发明能够选择出低噪声、强相关、无冗余的特征子集，实现特征的有效降维，提高机器学习算法的泛化能力和学习效率，降低算法的运行时间，最终生成一个简单高效且易于理解的学习模型。 | ||
| 搜索关键词： | 基于 动态 规划 means 特征 选择 算法 | ||
【主权项】：
基于动态规划和K‑means聚类的特征选择算法，其特征在于，包括以下步骤：1)数据预处理，主要解决特征数据中存在的数据重复、数据属性值缺失问题；2)借助动态规划的核心思想预选择出特征子集，并且采用类间类内距离作为动态规划决策过程中的性能函数；3)改进原始的K‑means聚类算法，重点集中在确定聚类个数及选取初始中心点这两方面对原始的K‑means聚类算法进行优化改进，并且引入加权欧氏距离，其改进思想是：使用迭代法确定聚类个数，利用标准差进行加权欧氏距离的计算，采用加权欧氏距离以及最大最小距离的原理进行初始中心点的选取；最后使用改进后的K‑means算法对动态规划阶段生成的特征子集进行聚类，剔除冗余特征，优化选择出的特征子集。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华南理工大学，未经华南理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201610363758.0/，转载请声明来源钻瓜专利网。
