[发明专利]一种大数据样本的智能化模糊特征选择方法

权利要求书

1.一种大数据样本的智能化模糊特征选择方法，其特征在于，包括以下步骤：

S1：特征选择步骤转换为计算模糊特征选择向量W(W₁，W₂，W₃…，W_i，…，W_n)，其中每一个W_i取值在[0,1]区间，取0时表示第i项特征舍去，取1时表示第i项特征选择；

S2：针对每一个样本的特征X_i，换算公式添加取舍度向量Y(Y₁,Y₂,Y₃,…,Y_i,…,Y_n)，每个分量Y_i∈[0，1]；

S3：W_i与Y_i对比，分为两个区间，在两个区间范围内分别选取W_i为0或为1；

S4：得到每个特征计算结果，进行每个特征的提取或舍去。

2.根据权利要求1所述的大数据样本的智能化模糊特征选择方法，其特征在于，所述S1过程中，还包括以下步骤：

D1：若干个向量W进行初始化；

D2：假定每个向量为粒子的位置属性；

D3：假定每个粒子均含有一个速度属性V(V₁，V₂，V₃，…，V_i，…，V_n)；

D4：根据粒子的位置属性和速度属性构建一个粒子群模型；

D5：粒子群模型中通过适度函数f(W)进行迭代位置和速度的过程；

D6：得到最佳粒子g_best。

3.根据权利要求2所述的大数据样本的智能化模糊特征选择方法，其特征在于，所述S2过程中Y_i的计算方式包括以下步骤：

M1：加权欧式距离计算：

M2：粒子速度迭代公式：

M3：粒子位置迭代公式：

其中：d(x_a,x_b)表示数据x_a和x_b的加权欧式距离，x_a和x_b分别表示两条不同的样本，x_a有n维特征属性，x_ai表示x_a样本的第i个属性，x_bi表示x_b样本的第i个属性；λ为惯性因子，c₁为对自身经验的偏好度，c₂为对群体经验的偏好度，r₁和r₂是取值在(0，1)之间的随机数，为第t代某个离子速度的第i维分量，p_best为第t代粒子群中最好适应度粒子位置的第i维分量，g_best为全局最好适应度粒子位置的第i维分量。

4.根据权利要求1所述的大数据样本的智能化模糊特征选择方法，其特征在于，所述S3过程中，当W_i≤Y_i，W_i取值0；当W_i>Y_i，W_i取值1。