(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111678612.2 (22)申请日 2021.12.31 (71)申请人 西安邮电大 学 地址 710121 陕西省西安市长安区西安邮 电大学南校区计算机学院 (72)发明人 潘晓英　雷明珠　孙俊　王昊　 (74)专利代理 机构 西安新思维专利商标事务所 有限公司 61 114 代理人 黄秦芳 (51)Int.Cl. G16H 50/70(2018.01) G06K 9/62(2022.01) G06N 3/00(2006.01) G06N 20/10(2019.01) (54)发明名称 结合协同学习策略的粒子群混合优化的特 征选择算法 (57)摘要 本发明属于机器学习领域， 具体涉及结合协 同学习策略的粒子群混合优化的特征选择算法， 技术方案如下： 1.用Fisher  score与MIC混合 的 过滤式算法进行粗粒度特征选择， 获取粗粒度特 征子集； 2.利用协同学习策略的自适应粒子群优 化算法进行细粒度特征选择， 获取最优特征子 集。 本发明有效地克服了 现有技术中存在陷入局 部最优和计算代价高昂的高维数据的问题。 权利要求书2页 说明书6页 附图2页 CN 114334168 A 2022.04.12 CN 114334168 A 1.结合协同学习策略的粒子群混合优化的特 征选择算法， 其特 征在于， 包括如下步骤： 步骤1： 用Fisher  score与MIC混合的过滤式算法进行粗粒度特征选择， 获取粗粒度特 征子集； 步骤2： 利用协同学习策略的自适应粒子群优化算法进行细粒度 特征选择， 获取最优特 征子集。 2.根据权利要求1所述的结合协同学习策略的粒子群混合优化的特征选择算法， 其特 征在于， 步骤1具体如下： (1)使用Fisher  Score基于概率距离计算特征相关性， 对特征进行排序， 生成特征子集 D1； (2)对上一 步得到的特 征子集D1使用MIC进行 过滤， 将过滤后的特 征子集记为D2； (3)将特征子集D1和D2采用并集的方式， 生成粗粒度特 征子集。 3.根据权利要求2所述的结合协同学习策略的粒子群混合优化的特征选择算法， 其特 征在于， 所述步骤1(1)中， Fisher  Score基于概 率距离计算特 征相关性FS(fk)的计算方式如下： 用类内离 散度SW表示类内距离， 类间离 散度Sb表示类间距离， 具体表达式如下： 其中ni为第i类的个数， 与 分别为第i类中特征fk的均值和方差， μk为所有类中特 征fk的均值， 所述步骤1(2)中MIC的互信息值计算方式如下： 将特征fk和类别c划分成m和n个不同的区间， 得到m*n的网格G； 在指定网格G下， 由各格 子中的样本数目和区间内的样本数目在样本容量中的占比分别计算经验联合概率密度和 经验边缘概率密度， 进 而估计出互信息I(D|G)， 其表达式如下： 其中， D|G表示使用网格G划分样本集合D时引入的概率分布； p(fk)和p(c)分别是特征fk 和类别c的经验边 缘概率密度， p(fk,c)是特征fk和类别c的经验联合 概率密度。 4.根据权利要求1～3任意一项所述的结合协同学习策略的粒子群混合优化的特征选 择算法， 其特 征在于， 步骤2具体如下： (1)粒子编码 采用实数编码的方式， 种群 中的每个粒子都由一个实数向量表示， 设定粒子实数阈值， 对于大于设定实数阈值的粒子进行 标定， 表示选择了相应的特 征， 否则不选择 该特征； (2)初始化种群操作： 采取混合初始化策略对粒子群初始化； (3)自适应惯性权重与加速系数优化操作： 对于适应度最好的最优粒子， 执行其惯性权 重的自我调节； 而对于其 余的粒子， 则遵循线性减少惯性权 重的标准； (4)协同学习操作： 根据适应度的值将所有粒子分为当前最优粒子与其它粒子， 对当前权　利　要　求　书 1/2 页 2 CN 114334168 A 2最优粒子进行全局探索， 对其它粒子则保持快速收敛； (5)适应度评估操作： 采用分类准确率与所选特征个数两者的线性关系表示适应度函 数， 选取最优特 征， 获得最优特 征子集。权　利　要　求　书 2/2 页 3 CN 114334168 A 3