[發(fā)明專利]一種基于改進RReliefF和mRMR相結(jié)合的人體特征參數(shù)選擇方法

有效

• 申請?zhí)枺?/td>: 201910564314.7
• 申請日: 2019-06-27
• 公開（公告）號: CN110363229B
• 公開（公告）日: 2021-07-27
• 發(fā)明（設(shè)計）人: 高秀娥;陳波;陳世峰;桑海濤;謝文學(xué);張?zhí)焓?/a>
• 申請（專利權(quán)）人: 嶺南師范學(xué)院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京海虹嘉誠知識產(chǎn)權(quán)代理有限公司 11129
• 代理人: 何志欣

1.一種基于改進RReliefF和mRMR相結(jié)合的人體特征參數(shù)選擇方法，

其特征是，所述方法至少包括以下步驟：

利用通過構(gòu)建樣本相似距離模型進行改進后的RReliefF算法來計算各個特征權(quán)重，去除不相關(guān)特征；

利用mRMR算法來計算特征的最大相關(guān)最小冗余的相關(guān)度，去除冗余特征；

所述RReliefF算法的改進是通過至少一個以下步驟來實現(xiàn)的：

定義樣本i和樣本j的相似距離模型：C_ij＝αD_ij+βS_ij，其中，D_ij為相對歐氏距離系數(shù)，S_ij為形態(tài)距離系數(shù)，α、β均為系數(shù)權(quán)重，且α+β＝1，樣本i和樣本j的相似距離C_ii的取值范圍為[0，1]；

利用改進后的RReliefF算法計算各個特征權(quán)重是通過至少一個以下步驟來實現(xiàn)的：

構(gòu)造訓(xùn)練樣本數(shù)據(jù)集0、特征參數(shù)集F、目標類別集C；

定義加權(quán)的人體生理特征參數(shù)集F`，初始的F`為空；

將訓(xùn)練樣本數(shù)據(jù)集0、特征參數(shù)集F、目標類別集C輸入到改進后的RReliefF算法，以計算得到每一個特征參數(shù)的權(quán)重值W[A]；

冗余特征的去除是通過至少一個以下步驟來實現(xiàn)的：

定義最終特征參數(shù)集F``，初始的F``為空，將加權(quán)的人體生理特征參數(shù)集F`＝{f₁，f₂，...f_m}與目標類別集C輸入到mRMR算法，利用mRMR算法來去除冗余特征。

2.根據(jù)權(quán)利要求1所述的基于改進RReliefF和mRMR相結(jié)合的人體特征參數(shù)選擇方法，其特征是，每一個特征參數(shù)的權(quán)重值W[A]是由以下計算公式得到的：

其中，N_dc表示在不同的預(yù)測值條件下的權(quán)重，N_dC[A]表示在不同的特征條件下的權(quán)重，N_dCdA[A]表示在不同的預(yù)測值、不同的特征條件下的權(quán)重集，m表示設(shè)定的人體生理特征參數(shù)的總個數(shù)。

3.根據(jù)權(quán)利要求2所述的基于改進RReliefF和mRMR相結(jié)合的人體特征參數(shù)選擇方法，其特征是，加權(quán)的人體生理特征參數(shù)集F`＝{f<sub>1</sub>，f<sub>2</sub>，...f<sub>m</sub>}是通過將權(quán)重值大于閥值σ＝0.1的特征參數(shù)放入F`中的方式來得到的。

4.根據(jù)權(quán)利要求3所述的人體特征參數(shù)選擇方法，其特征是，所述方法還包括以下步驟：

計算樣本的歐氏距離和形態(tài)距離；

標準化并歸一化歐氏距離和形態(tài)距離。

5.根據(jù)權(quán)利要求4所述的人體特征參數(shù)選擇方法，其特征是，設(shè)定樣本i和樣本j，樣本i到樣本j的歐氏距離的計算公式為：

其中，x_ik為樣本i的第k個人體生理特征參數(shù)的數(shù)值，x_jk為樣本j的第k個人體生理特征參數(shù)的數(shù)值，m為人體生理特征參數(shù)的總個數(shù)。

6.根據(jù)權(quán)利要求5所述的人體特征參數(shù)選擇方法，其特征是，樣本i到樣本j的形態(tài)距離R_ij的計算公式為：

其中，為樣本i的人體生理特征參數(shù)的平均值，為樣本j的人體生理特征參數(shù)的平均值。

7.一種基于改進RReliefF和mRMR相結(jié)合的人體特征參數(shù)選擇系統(tǒng)，該系統(tǒng)主要由智能電子設(shè)備(1)、基于改進RReliefF和mRMR相結(jié)合的選擇模塊組件(2)以及它們之間的接口(3)組成，其特征是，所述選擇模塊組件(2)至少包括至少一個計算機處理器，至少一個計算機處理器被配置為

利用通過構(gòu)建樣本相似距離模型進行改進后的RReliefF算法來計算各個特征權(quán)重，去除不相關(guān)特征，

和/或

利用mRMR算法來計算特征的最大相關(guān)最小冗余的相關(guān)度，去除冗余特征；

所述RReliefF算法的改進是通過至少一個以下步驟來實現(xiàn)的：

定義樣本i和樣本j的相似距離模型：C_ij＝αD_ij+βS_ij，其中，D_ij為相對歐氏距離系數(shù)，S_ij為形態(tài)距離系數(shù)，α、β均為系數(shù)權(quán)重，且α+β＝1，樣本i和樣本j的相似距離C_ij的取值范圍為[0，1]；

利用改進后的RReliefF算法計算各個特征權(quán)重是通過至少一個以下步驟來實現(xiàn)的：

構(gòu)造訓(xùn)練樣本數(shù)據(jù)集O、特征參數(shù)集F、目標類別集C；

定義加權(quán)的人體生理特征參數(shù)集F`，初始的F`為空；

將訓(xùn)練樣本數(shù)據(jù)集O、特征參數(shù)集F、目標類別集C輸入到改進后的RReliefF算法，以計算得到每一個特征參數(shù)的權(quán)重值W[A]；

冗余特征的去除是通過至少一個以下步驟來實現(xiàn)的：

定義最終特征參數(shù)集F``，初始的F``為空，將加權(quán)的人體生理特征參數(shù)集F`＝{f₁，f₂，...f_m}與目標類別集C輸入到mRMR算法，利用mRMR算法來去除冗余特征。