[发明专利]一种基于粒子群算法的多标签分类方法

说明书

技术领域

本发明属于多标签分类技术领域，具体涉及一种基于粒子群算法的多标签分类方法。

背景技术

多标签分类问题的研究是被文本分类推动的，现代，许多实际应用都是多标签分类问题，比如场景分类、蛋白质功能分析、电影分类和音乐归类。多标签数据集中的样本拥有多个标签，怎样建立和求解这样的最优化问题是要解决的重要问题。算法的实现虽有一定的难度，但其优点是它没有改变数据集的结构，没有破坏类别之间的关联关系，反映了多标签分类的特殊性质。根据建立最优化问题的不同方法，该算法也可以分成多种不同的形式，如：基于Adaboost算法的多标签分类算法、使用决策树方法扩展的多标签分类算法、多标签支持向量机算法、多标签k近邻算法(KNN算法)、多标签最大化熵算法。但是这些算法会由于特征值的冗余或不相关而造成计算误差。

发明内容

本发明目的之一在于为克服现有技术的缺陷，提供了一种精确度高的基于粒子群算法的多标签分类方法。

本发明提供的一种基于粒子群算法的多标签分类方法，包括优化阶段和分类阶段：

S10：优化阶段是采用粒子群算法优化特征加权KNN算法的特征权值，具体包括如下步骤：

S11：采用随机方法初始化粒子群，每个粒子的位置和速度的维度为n，其位置对应数据集中一条记录的特征权值向量w＝(w₁，w₂,···，w_n)：其中有

Σi-1nwi=1;]]>

S12：计算适应值，进而求出局部最优解和全局最优解：

在计算适应值时，将粒子的位置即特征权值应用到特征加权KNN算法中，将原训练样本集中前70％当做新的训练样本，后30％当做新的预测样本集，对此预测样本集进行分类，算出分类的准确度，准确度越高越符合适应值；

预测样本集每条记录的原始标签为li＝(li1,li2,···,lin)，分类过后的预测标签为lj＝(lj1,lj2,···,ljn)，li与l_j与重合个数为sum，那么准确率Accruay＝sum/n；

S20：分类阶段：

将优化阶段得出的特征权值应用到特征加权KNN算法中给测试样本X进行分类，最终输出测试集中所有样本的标签，即分类完成。

进一步的，所述粒子群算法包括如下步骤：

SA1：初始化微粒群，其中包括初始化整个粒子群的位置xi＝(x_i1,x_i2,···x_id)^T和速度vi＝(v_i1,v_i2,···,v_id)^T及局部最优和整体最优，其中id表示第i代中第d个粒子。

SA2：计算每个粒子在当前位置处的适应度值fitness_id＝f(x_id)。然后根据适应度值的大小，初始化局部最优解pbest_i＝fitness_i和整体最优解gbest＝min(fintess₁,fitness₂,···,fitness_N),i＝1,2,···，N；

SA3：在每次迭代过程中，每个粒子根据以下准则来更新自己的位置和速度

v_id(t+1)＝wv_id(t)+c₁r₁(p_ld-x_id(t))+c₂r₂(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)