本发明公开了基于遗传算法和变精度粗糙集的PET/CT高维特征级选择方法。该方法具有以下特点:
综合考虑了染色体编码取值、属性的最小约简数目、属性依赖度等因素,构造了一个通用的适应度函数框架。通过调节各个因素的权重系数,可以实现不同的适应度函数。
针对Pawlak粗糙集模型的局限性,引入了分类错误率β。将Pawlak粗糙集模型中下近似的严格包含放宽为部分包含。这一改进不仅完善了近似空间的概念,而且增强了处理噪声的能力。
通过不断改变β的范围,可以实现不同的适应度函数。
实验结果表明:
在分类错误率一致的情况下,不同的权重系数对结果影响较大。
在权重系数一样的情况下,不断增大分类错误率,实验结果也有较大的差别。
根据本发明,可以找到最适合本发明的参数组合。
| 专利名称 | 基于遗传算法和变精度粗糙集的PET/CT高维特征级选择方法 | ||
|---|---|---|---|
| 专利状态 | - | 专利号(申请号) | CN201710812435.X |
| 申请号 | - | 专利申请日期 | 2017-09-11 |
| 专利授权日期 | 2018-02-09 | 专利权届满日 | - |
| 专利所属地 | 中国 | 专利类型 | 发明专利 |
| 发明人 | 周涛;陆惠玲;王媛媛;师宏斌 | ||
| 权利人 | - | ||
| 专利摘要 | 本发明公开了基于遗传算法和变精度粗糙集的PET/CT高维特征级选择方法,该方法一方面综合考虑了染色体编码取值、属性的最小约简数目、属性依赖度等构造一个通用的适应度函数框架,通过调节各个因素的权重系数来实现不同的适应度函数;另一方面,针对Pawlak粗糙集模型的局限性,引入了分类错误率β将Pawlak粗糙集模型中下近似的严格包含放宽为部分包含,不但完善了近似空间的概念,而且增强了处理噪声的能力,同时不断改变β的范围来实现不同的适应度函数。实验结果表明,在分类错误率一致的情况下,不同的权重系数对结果影响较大,同理,在权重系数一样的情况下,不断增大分类错误率,实验结果也有较大的差别,可根据本发明数据找到最适合本发明的参数组合。 | ||