[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

说明书

本发明涉及一种基于特征权学习的支持向量机电网业务分类方法，利用特征权学习方法结合支持向量机多分类特点，对业务分类问题进行处理，包括：将采集数据划分为训练集与测试集，采用1‑a‑1SVM分类方法将多分类问题分解为一系列SVM二分类问题，对每个SVM二分类器分别进行参数寻优与特征子集选取，并引入特征学习思想，对不同特征赋予不同的权值，以表征其重要性程度。根据选取的最优特征子集与最优参数训练模型，得到的模型即为分类模型，然后对测试集样本进行分类；本发明提供的方法，通过根据各自特点分别选取每个SVM二分类器中最优参数与特征子集重新训练SVM分类模型，充分考虑了不同子分类器之间的差异性，具有更好的分类精度。

技术领域

本发明涉及数据处理与分类领域，具体涉及一种基于特征权学习的支持向量机电网业务分类方法。

背景技术

随着智能电网和“三集五大”建设的深入进行，电网中承载的业务种类日益增多，趋于复杂多变，为更好地对业务进行管控，优化网络资源配置，为不同的业务定制个性化需求，必须对业务进行分类处理。

支持向量机(Support Vector Machine,SVM)方法在小样本、非线性及高维分类问题上具有优势，支持向量机分类的关键是寻求最优分类超平面。一般将数据分为训练集与测试集，通过训练集确定最优分类边界，得到分类模型，再将测试集输入分类模型中，即可得到分类结果，但是支持向量机分类本质上是解决二分类问题的方法，而电网业务分类是多分类问题，如何将SVM二分类问题有效扩展以解决多分类问题是目前研究的重点之一。Debnathl等人提出的1-a-1SVM为解决上述问题提供了一个简单可行的措施：首先，训练阶段，对每两类训练一个二分类器，将训练模型保存；测试阶段，每一个待分类样本进行分类时，在每个子分类器中都需对其类别进行判别，并对相应类别投票，得票最多的即为待分类样本的类别。

SVM中参数优化与特征子集的选择在SVM分类系统中至关重要，对于SVM二分类的参数优化及特征选择已提出了很多可行的措施，如：网格法、遗传算法、粒子算法；F-score、卡方方法等。在传统多分类SVM中，在整体上寻求最优参数与最优特征子集，即：在个SVM二分类器中寻求整体最优参数与最优特征子集，训练模型中，所有的SVM二分类器均采用相同的最优参数与最优特征子集。但是，每个二分类器中样本的分布不尽相同，每个分类器均有各自的特点，每个子分类器采用相同的参数与特征子集会导致分类边界划分不准确，因此有必要对其加以改进。

发明内容

针对现有技术的不足，本发明提供一种基于特征权学习的支持向量机电网业务分类方法，通过根据各自特点分别选取每个SVM二分类器中最优参数与特征子集并利用选取出的最优特征子集与最优参数训练SVM分类模型，充分考虑了不同子分类器之间的差异性，具有更好的分类精度。

本发明的目的是采用下述技术方案实现的：

一种基于特征权学习的支持向量机电网业务分类方法，其改进之处在于，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；