[发明专利]一种基于改进RReliefF和mRMR相结合的人体特征参数选择方法

权利要求书

1.一种基于改进RReliefF和mRMR相结合的人体特征参数选择方法，

其特征是，所述方法至少包括以下步骤：

利用通过构建样本相似距离模型进行改进后的RReliefF算法来计算各个特征权重，去除不相关特征；

利用mRMR算法来计算特征的最大相关最小冗余的相关度，去除冗余特征；

所述RReliefF算法的改进是通过至少一个以下步骤来实现的：

定义样本i和样本j的相似距离模型：C_ij＝αD_ij+βS_ij，其中，D_ij为相对欧氏距离系数，S_ij为形态距离系数，α、β均为系数权重，且α+β＝1，样本i和样本j的相似距离C_ii的取值范围为[0，1]；

利用改进后的RReliefF算法计算各个特征权重是通过至少一个以下步骤来实现的：

构造训练样本数据集0、特征参数集F、目标类别集C；

定义加权的人体生理特征参数集F`，初始的F`为空；

将训练样本数据集0、特征参数集F、目标类别集C输入到改进后的RReliefF算法，以计算得到每一个特征参数的权重值W[A]；

冗余特征的去除是通过至少一个以下步骤来实现的：

定义最终特征参数集F``，初始的F``为空，将加权的人体生理特征参数集F`＝{f₁，f₂，...f_m}与目标类别集C输入到mRMR算法，利用mRMR算法来去除冗余特征。

2.根据权利要求1所述的基于改进RReliefF和mRMR相结合的人体特征参数选择方法，其特征是，每一个特征参数的权重值W[A]是由以下计算公式得到的：

其中，N_dc表示在不同的预测值条件下的权重，N_dC[A]表示在不同的特征条件下的权重，N_dCdA[A]表示在不同的预测值、不同的特征条件下的权重集，m表示设定的人体生理特征参数的总个数。

3.根据权利要求2所述的基于改进RReliefF和mRMR相结合的人体特征参数选择方法，其特征是，加权的人体生理特征参数集F`＝{f<sub>1</sub>，f<sub>2</sub>，...f<sub>m</sub>}是通过将权重值大于阀值σ＝0.1的特征参数放入F`中的方式来得到的。

4.根据权利要求3所述的人体特征参数选择方法，其特征是，所述方法还包括以下步骤：

计算样本的欧氏距离和形态距离；

标准化并归一化欧氏距离和形态距离。

5.根据权利要求4所述的人体特征参数选择方法，其特征是，设定样本i和样本j，样本i到样本j的欧氏距离的计算公式为：

其中，x_ik为样本i的第k个人体生理特征参数的数值，x_jk为样本j的第k个人体生理特征参数的数值，m为人体生理特征参数的总个数。

6.根据权利要求5所述的人体特征参数选择方法，其特征是，样本i到样本j的形态距离R_ij的计算公式为：

其中，为样本i的人体生理特征参数的平均值，为样本j的人体生理特征参数的平均值。

7.一种基于改进RReliefF和mRMR相结合的人体特征参数选择系统，该系统主要由智能电子设备(1)、基于改进RReliefF和mRMR相结合的选择模块组件(2)以及它们之间的接口(3)组成，其特征是，所述选择模块组件(2)至少包括至少一个计算机处理器，至少一个计算机处理器被配置为

利用通过构建样本相似距离模型进行改进后的RReliefF算法来计算各个特征权重，去除不相关特征，

和/或

利用mRMR算法来计算特征的最大相关最小冗余的相关度，去除冗余特征；

所述RReliefF算法的改进是通过至少一个以下步骤来实现的：

定义样本i和样本j的相似距离模型：C_ij＝αD_ij+βS_ij，其中，D_ij为相对欧氏距离系数，S_ij为形态距离系数，α、β均为系数权重，且α+β＝1，样本i和样本j的相似距离C_ij的取值范围为[0，1]；

利用改进后的RReliefF算法计算各个特征权重是通过至少一个以下步骤来实现的：

构造训练样本数据集O、特征参数集F、目标类别集C；

定义加权的人体生理特征参数集F`，初始的F`为空；

将训练样本数据集O、特征参数集F、目标类别集C输入到改进后的RReliefF算法，以计算得到每一个特征参数的权重值W[A]；

冗余特征的去除是通过至少一个以下步骤来实现的：

定义最终特征参数集F``，初始的F``为空，将加权的人体生理特征参数集F`＝{f₁，f₂，...f_m}与目标类别集C输入到mRMR算法，利用mRMR算法来去除冗余特征。