[发明专利]基于高维度纺纱数据的混合特征选择方法

权利要求书

1.一种基于高维度纺纱数据的混合特征选择方法，能够消除由于纺纱工序加工产生的传递误差并挑选出对于纺纱能耗异常有重要影响的参数，进而准确识别影响纺纱能耗的关键参数，其特征在于，包括以下步骤：

步骤一：收集并记录不同纺纱能耗下环锭纺纱生产过程中对纺纱能耗有潜在影响的候选参数数据，将所有潜在候选参数数据整合为一个完整的数据集；

步骤二：基于步骤一得到的数据集生成训练数据集，对混合特征选择算法模型进行训练，混合特征选择算法模型采用以下步骤生成最终的关键参数子集：

步骤201：计算各个候选参数与纺纱能耗相关的互信息值；

步骤202：基于步骤201获得的互信息值构建与观测到的关联关系对应的观测矩阵G_obs，有：

式中，I(x_K；x_K)表示步骤201计算得到的第K个候选参数x_K与第K个候选参数x_K的互信息值；

步骤203、基于直接关联矩阵G_dir的特征值λ_dir与观测矩阵G_obs的特征值λ_obs之间的关系，利用网络去卷积算法由观测矩阵G_obs计算到剔除了噪声关联的直接关联矩阵G_dir，其中：

直接关联矩阵G_dir的特征值λ_dir与观测矩阵G_obs的特征值λ_obs之间的关系表示为下式：

直接关联矩阵G_dir表示为：

I′(x_K；x_K)表示第K个候选参数x_K与第K个候选参数x_K的直接关联互信息值；

步骤204：将各个候选参数相互之间的直接关联互信息值由高到底排序，依据排序结果后从候选参数中选出候选关键特征参数组成预选的关键特征子集；

步骤205：在剔除了噪声关联关系之后，计算各个候选参数与预选的关键特征子集的相关性、冗余性、互补性，并通过测度函数判定待选参数是否为关键参数，最终确定初选的关键参数子集；

步骤206：初选的关键参数子集为最大搜索范围，通过遗传算法并以预测精度以及辨识度作为评估每次迭代生成的新的关键参数子集，以进行关键参数子集的精选；达到终止条件后，评估结果最优的关键参数子集即为最终的关键参数子集。

2.如权利要求1所述的一种基于高维度纺纱数据的混合特征选择方法，其特征在于，所述潜在候选参数包括环境参数、工艺参数、设备参数、原料参数、人员参数。

3.如权利要求1所述的一种基于高维度纺纱数据的混合特征选择方法，其特征在于，步骤201中，

两个参数x、y之间的相关性用互信息值I(x；y)来度量，则有：

式中，x_i表示参数x的第i个参数值，p(x_i)表示参数x的值为x_i的概率，y_j表示参数y的第j个参数值，p(y_j)表示参数y的值为y_j的概率，p(x_i，y_j)表示参数x的值为x_i且参数y的值为y_j的概率。

4.如权利要求1所述的一种基于高维度纺纱数据的混合特征选择方法，其特征在于，在所述步骤202之后，并所述步骤203之前，还包括以下步骤：

对观测矩阵G_obs进行线性缩放，如下式所示：

G′_obs＝αG_obs

式中，G′_obs为经过线性缩放后的观测矩阵，α为线性系数，且和分别是G_obs的特征值中最大正值和最小负值，β为预先确定的权重系数。