[发明专利]一种基于特征权学习的支持向量机电网业务分类方法

权利要求书

1.一种基于特征权学习的支持向量机电网业务分类方法，其特征在于，所述方法包括：

(1)采集电网数据并对电网数据进行预处理，将预处理后的电网数据分为训练集和测试集；

(2)将所述训练集中每两类的样本进行组合为一个训练子集并训练为一个SVM二分类器，第m个SVM二分类器的训练子集为[X_m,Y_m]，共个SVM二分类器，根据每个SVM二分类器的特征子集构建维特征选择矩阵ξ，根据每个SVM二分类器的特征权重构建维特征权重矩阵A，根据每个SVM二分类器的参数向量构建维参数矩阵γ，X_m＝[x₁,x₂,…,x_i,…,x_l]^T为所述第m个SVM二分类器的训练子集的样本，样本为样本x_i的第k维特征，d为电网业务类别对应特征数，Y_m＝[y₁,y₂,…,y_l]^T为所述第m个SVM二分类器的训练子集中样本对应的类别，l为所述第m个SVM二分类器的训练子集中电网业务流个数，c为电网业务类别的总数目；

(3)采用特征选择算法对所述训练子集[X_m,Y_m]进行处理，获取所述训练子集[X_m,Y_m]对应的最优特征选择向量ξ_m，并根据所述最优特征选择向量更新特征选择矩阵及训练子集的样本X′_m＝X_m(:,ξ_m)；

(4)采用特征权重学习算法对所述最优特征选择向量ξ_m进行处理，获取所述最优特征选择向量ξ_m对应的权重向量A_m，并根据所述最优特征选择向量ξ_m对应的权重向量A_m更新所述特征权重矩阵A；

(5)根据更新后的特征权重矩阵A重构所述训练子集[X_m,Y_m]对应的特征；

(6)采用网格交叉验证的方法获取训练子集[X_m,Y_m]的惩罚因子C_m和高斯核函数参数σ_m，其中，γ_m＝[C_m,σ_m]为第m个训练子集对应的优化参数向量，更新所述参数矩阵

(7)判断是否每个SVM二分类器的训练子集的特征子集、特征权重和参数向量均更新为其对应的最优选择向量、权重向量和优化参数向量，若是则执行步骤(8)，若否则返回步骤(3)；

(8)基于更新后的特征选择矩阵ξ、特征权重矩阵A和参数矩阵γ训练1-v-1SVM多分类模型，并根据所述1-v-1SVM多分类模型对所述测试集进行分类，依据投票结果确定测试集中样本的类别；

所述步骤(3)包括：

(3-1)采用向后递归消除特征选择算法RFE获取所述训练子集[X_m,Y_m]的最优特征选择向量ξ_m；

(3-2)更新特征选择矩阵及训练子集的样本X′_m＝X_m(:,ξ_m)。

2.如权利要求1所述的方法，其特征在于，所述步骤(1)包括：

(1-1)剔除电网数据中错误数据或维度不完整数据；

(1-2)删除电网数据中类的样本数小于30的类；

(1-3)电网数据中类的样本数大于500的类，从该类中选择250个加入训练集；

(1-4)电网数据中类的样本数大于30且小于500的类，从该类中选择一半加入训练集，另一半加入测试集。