[发明专利]一种基于无监督特征选择的分类方法

权利要求书

1.一种基于无监督特征选择的分类方法，其特征在于，包括以下步骤：

(1)采集疲劳驾驶实验中志愿者的脑电图，对脑电图数据进行预处理，并进行特征抽取和归一化，得到样本数据集；

(2)将步骤1得到的样本数据集表述成相似图形式，并采用信息理论度量学习得到样本数据集中不同样本点之间的距离，即建立样本数据集的相似矩阵W，其中，x_i、x_j代表两个不同的样本数据，M是一个d×d维的半正定矩阵，d为输入空间的维度，W_M(x_i,x_j)为x_i、x_j两个样本点之间的距离；

(3)采用SM算法，利用样本数据集的相似矩阵W和其对应的对角矩阵D得到相似图的非规格拉普拉斯矩阵L，求解L的广义特征向量，取前k个记为Y＝[y₁,…,y_k]，完成样本数据集到特征向量空间的映射；

(4)对样本数据集的每个维度的重要性，首先计算各维度沿每个特征向量的相关系数，然后通过MCFS得分，得到每个维度对于样本数据集的相关系数；

(5)将步骤4得到的每个维度对于样本数据集的相关系数从大到小进行排序，选择相关系数较大的维度，完成样本数据集的特征选择；

(6)用支持向量机对步骤5特征选择后的数据建立分类模型；

(7)采集驾驶员的脑电数据，将其进行步骤1到步骤5所述的处理后，输入步骤6建立的分类模型，判断其是否处于疲劳状态。

2.根据权利要求1所述基于无监督特征选择的分类方法，其特征在于，所述步骤2中所述的相似矩阵的建立方法如下：

(2.1)将样本数据集表示成相似图形式，具体方法为：若数据点为x＝[x₁,x₂…,x_d]，将样本数据集中的每个对象看作是图的顶点V，将顶点间的相似度量化作相应顶点连接边E的权值，得到一个基于相似度的无向加权图G(V,E)，每个顶点只与k个相似度最高的点连边，以简化计算复杂度；

(2.2)采用信息理论度量学习(ITML)算法计算相似图中不同顶点的距离，其中马氏距离的定义为ITML引入了LogDet散度正规化，即Dld(M,M0)=tr(MM0-1)-logdet(MM0-1)-d,]]>用最小化D_ld(M,M₀)方法求解半正定矩阵M，其中u，v是阈值参数，M₀为我们要保持接近的一些PSD矩阵，D_ld(M,M₀)是LogDet散度。

3.根据权利要求1所述基于无监督特征选择的分类方法，其特征在于，所述步骤3中所述的样本数据集到特征向量空间的映射的方法具体如下：

(3.1)定义一个对角矩阵D，其对角线上的数为W中对应行的和，即D_ii＝∑_jW_ij。则相似图的非规格拉普拉斯矩阵L定义为L＝D-W；

(3.2)通过Ly＝λDy计算得到拉普拉斯矩阵的前k个特征向量，记为Y＝[y₁,…,y_k]，完成了样本数据集到特征向量空间的映射。

4.根据权利要求1所述的基于无监督特征选择的分类方法，其特征在于，所述步骤4中所述的得到每个维度对于样本数据集的相关系数的方法具体如下：

(4.1)根据步骤3得到的y_i(i＝1,2,...,k)，通过最小化拟合误差公式找到一个最佳子集，其中a_i为M维向量，代表不同维度的相关系数，X是样本数据集矩阵，β是权重系数，求解该公式可采用最小角度回归(LARs)算法，得到第i维数据沿第j个特征向量的相关系数a_i,j；

(4.2)根据步骤4.1得到的每个维度对应的k个相关系数，根据MCFS得分的公式：

MCFS(j)=maxi|ai,j|]]>

得到第i维度对于样本数据集的相关系数MCFS(j)。