| 主权项 |
1.一种以族群有效距离作特征选择之方法(EDC),而 该族群有效距离作特征选择之方法其步骤包含有, 步骤一.分别计算各类别所有特征之中心座标 ,其 中ni是i类别之训练样本数目,xkip是i类别在第p个样 本之第k个特征座标値, 是i类别在第k个特征之中 心座标値, 步骤二.计算各类别之特征标准差ki,该ki是i类 别在第k个特征之标准差,代表特征之离散性,离散 性越大表示不同类别在第k个特征越有可能彼此重 叠,特征重叠性高则相对代表特征相似性高,因此 越不易由此项特征辨识类别, 步骤三.计算所有相对特征在类别间之距离dkij,该 dkij是i类别与j类别在第k个特征之中心距离,其中 ,中心距离越大越可 容忍特征离散性造成系统误判之情形; 步骤四.计算所有相对特征在类别间之有效距离 tkij,其中tkij是指i类别与j类别在第k个特征之有效 距离,亦即是指两个不同类别在第K个特征(PVk或PAVk )之间隔距离(或分级之有效距离),间隔距离越大, 则表示此项特征在不同等级之纱线(或类别)差异 越明显,因此越容易藉由此项特征区别纱线之等级 ; 步骤五.计算所有相对特征在类别间之有效距离最 小者sk,该sk是指对两类别的第k个特征间而言,其相 对具有最少可供辨识之有效距离之値,可视为第K 个特征(属性向量或主轴向量)在类别之第K个特征 中,最少可提供区隔类别之有效距离(或辨识之最 少贡献度),sk=min{tkij}, i≠j; 步骤六.将有效距离最小者取最大値排序,求取特 征之重要性排序指标Rank,Rank=max{sk},k=1,2,…,m,其中m 是类别数目,而Rank是对每一个特征之最少贡献度 做最大値排序,达至可作为特征选择重要性(辨识 分类时最少贡献度)之排序指标; 经由上述流程之组合在EDC进行特征选择时,首先输 入训练样本之属性向量(或主轴向量),经由EDC依据 属性向量(或主轴向量)最小偏差及最大有效辨识 距离作特征选择(即重要性排序),完成上述特征重 要性排序后,再依据属性向量(或主轴向量)重要性 排序逐步降阶,首先输入训练样本之属性向量(或 主轴向量),藉由EDC选择之属性向量(或主轴向量)作 为辨识向量,输入于决策函数中进行辨识,评估训 练过程辨识率是否降低,如果辨识率没有降低,则 属性向量(或主轴向量)再降一阶并重新输入训练 样本,进行上述降阶评估,如果辨识率降低,则停止 属性向量(或主轴向量)降阶,最后可获得最低之有 效属性向量数目以减少系统量测时间及计算时间, 并且可维持辨识系统精确之辨识率,以提升辨识系 统效能与降低成本。 2.一种以族群有效距离作特征选择之装置,其中该 以族群有效距离作特征选择之装置含有, 一学习样本资料库,储存有训练样本之辨识向量( 属性向量或主轴向量); 一个人电脑,该个人电脑内设有学习样本资料库及 该以族群有效距离作特征选择之方法(EDC); 该EDC进行特征选择时,首先藉由该个人电脑输入训 练样本之属性向量(或主轴向量),经由EDC依据属性 向量(或主轴向量)最小偏差及最大有效辨识距离 作特征选择(即重要性排序),完成该特征重要性排 序后,再依据属性向量(或主轴向量)重要性排序逐 步降阶,首先输入训练样本之属性向量(或主轴向 量),藉由EDC选择之属性向量(或主轴向量)作为辨识 向量,输入于决策函数中进行辨识,评估训练过程 辨识率是否降低,如果辨识率没有降低,则属性向 量(或主轴向量)再降一阶并重新输入训练样本,进 行上述降阶评估,如果辨识率降低,则停止属性向 量(或主轴向量)降阶,最后可获得最低之有效属性 向量数目以减少系统量测时间及计算时间,并且可 维持辨识系统精确之辨识率,以提升辨识系统效能 与降低成本。 图式简单说明: 第一图系本发明装置图; 第二图系本发明EDC特征排序方法流程图。 |
