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！

龙图腾网获悉重庆大学申请的专利一种基于特征类间距离与机器学习的图像特征降维选择方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115359283B 。

龙图腾网通过国家知识产权局官网在2025-06-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210736668.7，技术领域涉及：G06V10/764；该发明授权一种基于特征类间距离与机器学习的图像特征降维选择方法是由龙木军;吴家璐;陈登福;张晏铭;杨晨曦设计研发完成，并于2022-06-27向国家知识产权局提交的专利申请。

本一种基于特征类间距离与机器学习的图像特征降维选择方法在说明书摘要公布了：本发明公开了一种基于特征类间距离与机器学习的图像特征降维选择方法：1将特征数据集按照比例划分为训练集、验证集与测试集；2计算特征数据集的类间距离、特征间相关性以及t检验p值，得到特征评价值，按照评价值对各特征降序排列；3将前N个特征全排列得到不同特征组合集，选择分类器对各特征组合训练学习，按照准确率排序获得具有最佳分类性能的特征组合；4输出具有最高准确率以及权重和的机器学习分类模型，将测试数据集输入分类模型中可得到最佳特征组合的测试准确率。本发明使用类间距离、相关性和统计检验，结合机器学习技术实现高维特征数据集的有效降维，最终选择出具有高分类性能的特征组合，从而提高图像分类识别的准确率和效率。

本发明授权一种基于特征类间距离与机器学习的图像特征降维选择方法在权利要求书中公布了：1.一种基于特征类间距离与机器学习的图像特征降维选择方法，其特征在于，包含如下步骤：1特征数据集的建立建立由m个样本，每个样本具有n个特征的原始特征数据集U，将原始特征数据集U划分为训练集、验证集与测试集；2特征评价值的计算按式1计算各个特征的评价值S，该评价值S与特征类间距离d、低相关性阈值w、低相关性比例θ以及t检验中的p值有关： 计算类间距离d，计算方法如式2所示，式中，μ1和μ0分别是各个特征在两种分类特征的平均值，σ1和σ0是两种分类特征的方差； 对各维特征进行t检验分析，可以得到p值，式3中，μx是特征x的总体均值；s、n分别是特征x中的样本均值、样本标准差与样本容量； 计算各特征间的皮尔森相关系数PearsonCorrelationCoefficientr，计算公式4中，Covx,y为特征x与特征y间的协方差；sx和sy分别代表特征x与特征y的标准差； 引入低相关性阈值w，当特征的相关性系数r不大于w时便认为该特征为低相关性特征，并计算该特征中的低相关性特征比例θ；对具有不小于0.5的低相关性比例θ、t检验p值不大于0.05的特征而言具有更低的相关性以及更高的置信度，可认为是影响分类的关键特征，按照式1计算该取值范围内的特征，而不在此范围内的特征便规定其评价值为0，将各个特征按照S降序排列；3基于机器学习的特征组合准确率计算将降序排列后的前N个特征进行全排列组合，得到2N-1个数量不同的特征组合，根据数据集选择机器学习分类器，如常用的二分类SVM分类器，作为分类器模型，将上述包含不同特征组合的训练数据集输入分类器模型进行训练，得到机器学习分类模型，并按照训练准确率对各特征组合进行降序排列；4最佳特征组合的确定选择具有最高准确率的特征组合作为最佳特征组合，若两个特征组合具有相同的准确率，便选择具有更高权重和的特征组合，对步骤2中降序排列的前N个特征进行权值系数赋予，其中排名第i个的特征权重weight由式5计算得到： 将测试集数据输入至由该特征组合训练得到的机器学习分类模型，最终确定拥有高分类性能的最佳特征组合。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆大学，其通讯地址为：400044 重庆市沙坪坝区沙正街174号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。