买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于反馈特征提取和因果反演辨识的智能系统评估方法，该方法首先采集N个输入特征，P组数据的原始训练集，Q组数据的测试集。其次识别原始训练集中数据的降维特征，通过负载矩阵反向识别原始训练数据集的关键特征，原始训练集被化简为包括F个关键特征。然后从原始训练数据集中随机采样，生成多个子训练集，构建多个训练BP子模型并使用子训练集训练，通过比较误差识别并剔除异常数据，原始训练集被简化为包括S组数据。最后构建测试BP模型使用简化后的训练集训练，得到智能系统的评估结果，并通过测试集进行预测。本发明突破了传统维度约简后所提取特征不再具有原始特征空间物理含义的局限性。

主权项：1.一种基于反馈特征提取和因果反演辨识的智能系统评估方法，其特征在于，包括以下步骤：步骤1、通过无人机和仿真模拟试验，采集包括识别与探测能力特征在内的N个输入特征，P组数据的原始训练集DP×N，Q组数据的测试集TQ×N；步骤2、使用降维技术识别原始训练集DP×N中数据的降维特征，然后通过负载矩阵Ω反向识别原始训练数据集的关键特征，原始训练集DP×N被化简为包括F个关键特征；具体实现过程为：步骤2.1、原始训练集DP×N表示为D，定义一个N×P矩阵B，使其满足： 进行变换，使B中的每一列的均值为0，此时： 其中，CD为D的协方差矩阵，即BTB等于D的协方差矩阵CD，D的主成分也即是CD的特征向量，对B进行奇异值分解，得到：B＝UΛVT3其中，U是一个正交矩阵，Λ是一个对角阵，V也是一个正交矩阵；再次进行变换，得到：VTBT＝UTΛ＝Z4VT中的行是将矩阵B转换为Z的一组正交基；矩阵V的列即为CD的特征向量，也即D的主成分；步骤2.2、针对步骤2.1中计算得到的D的主成分，即协方差矩阵CD的特征向量，计算每一个特征向量对应的特征值并对其进行排序，选出特征值大于1的F个新特征，将其识别为关键的新特征，其中FN；步骤2.3、载荷矩阵反映第n个原始特征和第n'个新特征之间的相关性： 其中，xk,n和分别表示第n个原始数据的第k个数据和第n'个新数据的第k个数据；和分别表示第n个原始数据的P组数据的平均值和第n'个新数据的P组数据的平均值，对任意的n和n'，都有δ∈0,1]；步骤2.4、对Ω的值进行归一化得到|Ω|norm；步骤2.5、使用|Ω|norm反向识别关键的原始特征，从N个原始特征中识别出F个关键特征；所述使用|Ω|norm反向识别关键的原始特征具体过程为：选取|Ω|norm中绝对值大于设定阈值t对应的原始特征作为对新特征贡献程度大的原始特征，即关键的原始特征；步骤3、从原始训练数据集DP×N中随机采样，生成多个子训练集，构建多个训练BP子模型并使用子训练集训练，每个子模型面向每组子训练集中的数据得到预测评估结果并产生误差，比较误差识别并剔除异常数据，原始训练集DP×N被简化为包括S组数据；具体实现过程如下：步骤3.1、从原始训练集DP×N中按照固定比例随机提取共K个样本；每个样本应覆盖整个P组数据的80％以上且K30；步骤3.2、使用K个样本训练构建的K个BP神经网络子模型；步骤3.3、计算每个子模型的误差，当训练集P组数据中第p组数据没有包含在第k个样本中，即第k个模型中时，误差ep,k＝0；当第p组数据包含在第k个样本中，即第k个模型中时，误差计算方式如下： 其中，表示第p组数据的实际输出，表示第k个模型对第p组数据的预测输出，abs·为绝对值函数；计算第p组数据在所有K个样本中的平均误差： 其中，N*表示ep,k≠0的个数，ep,k在公式6中计算，所有p个数据的误差形成一个误差列E＝{ep}；步骤3.4、使用聚类算法从误差列E＝{ep}中形成聚类C＝{c1,c2,c3,...}；步骤3.5、将预设的阈值v与聚类C中每个类别的核心进行对比；高于阈值的核，表示应当剔除相关的聚类，否则保留，P组原始数据中保留S组数据，其中SP；步骤4、原始训练集DP×N被简化为F个关键特征和S组数据的DS×F，构建测试BP模型并使用简化后的训练集训练，得到智能系统的评估结果；步骤5、训练完成的测试BP模型通过测试集进行预测以及验证。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于反馈特征提取和因果反演辨识的智能系统评估方法