[发明专利]特征选择装置、方法及电子设备

说明书

本发明实施例提供一种特征选择装置、方法及电子设备，根据待选择特征与已选择特征的条件互信息增益与已选择特征的条件信息增益之差与预设阈值的比较结果，确定待选择特征的选择结果，将选择出的特征用于模式识别，能够使得区分模式种类的能力最大化以保证模式识别的高精度,同时，能够减少选择出的特征之间的冗余度，从而，能够进一步降低特征维度以降低计算量，从而提高了模式识别的实时性。

技术领域

本发明涉及信息技术领域，尤其涉及一种特征选择装置、方法及电子设备。

背景技术

近年来，模式识别在各个领域应用广泛。模式识别包括人体动作识别、语音识别、指纹识别、人脸识别等。例如，人体动作识别在医疗健康、智能看护、动作捕捉等领域具有广泛的应用。人体动作识别可基于视频影像或基于集成了惯性传感单元(IMU，Inertialmeasurement unit)的可穿戴设备来进行特征提取，进一步通过模式识别算法进行动作类型的判别。

在模式识别系统中，进行特征提取时一般提取的特征维度较大，例如，对于基于IMU可穿戴设备的特征提取，提取的特征维度可达数百个；但是，模式识别的精度并不是特征维度越大精度越高，相反，过高的维度可能会产生维度灾难而导致识别精度下降，计算复杂度也大大提高，降低了识别的实时性。

目前，一般通过传统的降维方法或者基于信息论的信息增益方法来选择特征。传统的降维方法主要包括主成分分析(PCA，Principal component analysis)和基于Fisher准则的线性判别分析(LDA，linear discriminant analysis)。其中，PCA降维方法通过将原特征进行线性变换映射至低维空间来尽可能的代表原始高维特征空间；LDA降维方法选择主要特征能够使类内离散度最小，类间离散度最大，数据线性可分。而基于信息论的信息增益方法通过计算特征对模式种类的分类的信息不确定度的减少量来提取特征。

应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

发明内容

发明人发现，传统的PCA降维方法所选择的特征集能最大化单个特征对模式种类的区分能力,但所选特征之间还具有一定的冗余性；LDA降维方法能够将冗余的特征进行消除，但不能消除一些对模式种类区分能力弱的特征，这些特征将会对模式识别产生干扰而降低性能；而基于信息论的信息增益方法选择出的特征之间仍然存在冗余，使得选择出的特征对于模式的分类具有重复性。

本发明实施例提供一种特征选择装置、方法及电子设备，根据所述条件信息增益的大小并基于特征之间的条件互信息增益进行特征选择，其中，根据待选择特征与已选择特征的条件互信息增益与已选择特征的条件信息增益之差与预设阈值的比较结果，确定待选择特征的选择结果，将选择出的特征用于模式识别，能够使得区分模式种类的能力最大化以保证模式识别的高精度,同时，能够减少选择出的特征之间的冗余度，从而，能够进一步降低特征维度以降低计算量，从而提高了模式识别的实时性。

根据本发明实施例的第一方面，提供一种特征选择装置，所述装置包括：计算单元，其用于计算待选择的各个特征的条件信息增益；选择单元，其用于根据所述条件信息增益的大小并基于特征之间的条件互信息增益进行特征选择，其中，所述选择单元计算待选择特征与已选择特征的条件互信息增益，并根据所述条件互信息增益与已选择特征的条件信息增益之差与预设阈值的比较结果，确定所述待选择特征的选择结果。

根据本发明实施例的第二方面，提供一种电子设备，包括根据本发明实施例的第一方面所述的装置。