该发明提出了一种结合改进RReliefF和mRMR的人体特征参数选择方法，旨在解决人体生理特征参数选择的准确性问题。通过结合样本的数值和形态距离，改进RReliefF算法消除不相关特征，再用mRMR算法去除冗余特征，以提高人体成分模型的预测精度。
本发明涉及生物信息化技术领域，尤其是涉及一种基于改进RReliefF和mRMR相结合人体特征参数选择方法。
背景技术：
人体体成分模型预测的好坏容易受到所选择的特征参数的影响，好的特征参数可以有效的降低人体成分模型的训练时间和预测误差，好的特征参数集需要通过合适的特征选择算法来选取，RReliefF算法能够消除不相关特征，但是人体生理特征参数的数量多，且存在相互关联、非线性和不相关性等特点，阻抗值、身高和体重等人体生理特征参数相差很大的两个人，两者的体成分值有可能相似，而人体生理特征参数相近的两个人，两者的体成分值有可能相差较远，若是只使用原始的距离度量，容易存在误差，因此，使用RReliefF算法无法找到精准的最近邻样本，且无法去除冗余的特征。
技术实现要素：
本发明的目的在于提供一种基于改进RReliefF和mRMR相结合的人体特征参数选择方法，考虑人体生理特征参数的特殊性，通过样本数值距离与样本形态距离相结合的方法来改进RReliefF算法，去除不相关特征，结合mRMR算法来去除冗余特征。
为了实现上述目的，本发明采用如下技术方案：
一种基于改进RReliefF和mRMR相结合的人体特征参数选择方法，包括以下步骤：
步骤一：计算样本的欧氏距离和形态距离；
步骤二：标准化并归一化欧氏距离和形态距离；
步骤三：构建样本相似距离模型来改进RReliefF算法；
步骤四：利用改进后的RReli
最低0.47元/天 解锁文章
3685
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
