本发明涉及电力资源管理技术领域，具体涉及一种基于多模态学习的电力系统故障预警方法和系统。
背景技术：
随着电力网络信息化的发展，信息技术已经深入到电力生产的各个环节。电力信息系统在运行过程中会产生大量的日志数据，包括系统网络连接状态、数据库状态等系统运行日志以及设备运行参数等业务相关日志。如果对这些海量日志的分析与评价不及时，信息挖掘不准确，可能会造成严重的电力安全事故，因此在电力信息系统运维过程中，针对海量日志数据进行实时有效分析显得尤为必要。传统的电力信息系统运维方式对于日志数据利用不够，价值挖掘不够充分，缺少对电力信息系统在出现故障前主动预警机制，基于传统的数据分析方法处理时往往会出现由于处理算法单一、资源分配不合理等导致的数据处理速度不及时和效率低下等问题，严重影响了日志数据的处理和分析，目前积蓄针对电力信息系统日志数据的高效快速处理，实现对系统运行的隐患和故障的智能预警。
技术实现要素：
为解决上述现有技术的中的不足，本发明的目的在于克服现有不足，提供一种基于多模态学习的电力系统故障预警方法和系统，为系统智能决策提供依据，通过多模态学习等机器学习技术构建系统故障预测模型，实现系统隐患预测，提高运维效率。
本发明公开了一种基于多模态学习的电力系统故障预警方法，包括：
基于电力信息系统的数据库、网络等异常的运行故障记录，进行数据库、网络等异常相关联的典型数据特征的分析，且针对性提出异常的高效特征表示方法，构建系统日志故障特征库；
采用深度神经网络结构，且基于电力信息系统的网络数据标签，针对该系统进行特征归类，构建基于分类算法的系统健康画像；
基于知识库与推理机的原理，进行知识库与推理机的高速和高精度决策，通过对电力信息系统故障的关系分析，针对不同的故障类型提出处理策略，基于提出的策略对实际运行产生的不同类型故障的准确定位和快速处理；
基于多模态多任务机器技术，进行训练任务的通用迁移，且采用多任务学习，针对系统故障处理模型进行同一时间多类型故障训练，进行故障预测模型的泛化增强；基于随机森林预测模型，再结合深度特征学习技术提取的日志特征向量进行系统故障预测模型的训练，进行电力信息系统的预测故障实时告警。
作为上述方案的进一步优化，所述构建系统日志故障特征库基于特征选择构建，所述特征选择包括如下步骤：
计算电力系统日志故障产生的所有有效特征，设置为n，基于n个特征构建特征全集，设为2n，即2n为所述电力系统日志故障的特征全集；
基于电力系统日志故障的特征全集，基于搜索策略对于构建的特征全集2n进行进一步的特征子集的筛选并存储放置；
设置一评估函数，基于该评估函数进行存储放置的特征子集进行函数评估，且将函数评估的结果与结束准则进行对比；
若评估结果优于结束准则，结束当前操作，并记录当前评估结果对应的特征子集作为备选特征子集；若评估结果差于结束准则，基于搜索策略重新筛选特征子集，并进行评估。
作为上述方案的进一步优化，所述构建基于分类算法的系统健康画像，利用存储于电力系统服务器的海量日志以及数据库存储的数据进行分析和挖掘，针对分析和挖掘结果进行系统tag，所述tag包括网络异常连接、数据库数据异常以及系统运行错误。
作为上述方案的进一步优化，所述系统故障处理模型的构建包括如下：
模型参数进行初始化，确定模型参数的初始值，且在模型参数进行模型训练过程中进行取样，对模型训练的动态变化进行监控；
基于深度卷积神经网络进行电力信息系统的故障处理模型的构建；
基于已经构建完成的系统故障处理模型，通过对模型的参数变化轨迹，初始参数设置，超参数设置以及利用凸优化方法调优的认知，进行系统故障处理模型的优化处理。
作为上述方案的进一步优化，基于电力系统多模态的日志数据，构建基于有效距离的多模态特征选择模型，具体如下：
设电力系统存在k个模态，电力系统故障日志的特征训练样本xk＝[x1k,x2k,…xck]b∈rc×d为第k个模态的训练样本数据；a＝[a1,a2,…ai…ac]b∈rc代表类别号；ai为第i个样本
设lk∈rd为第k个任务的线性函数的权重向量，且l＝[l1,l1,…,lk]∈rd×k为对应权重矩阵，且设置lj为l的行，为k个模态中第j个特征向量；
基于有效距离的多模态特征选择模型如下所示：
其中，||l||2,1为权重矩阵l的l2,1范数，进行lj的l2范数的和运算；α、β为正的常量。
作为上述方案的进一步优化，所述系统故障预测模型的构建如下：
基于皮尔逊相关系数算法，进行相关性判别，计算公式如下所示：
上式中，var(x)为x的方差，var(y)是y的方差，cov(x,y)是x、y的协方差；
期望值采用e(x)＝μ与e(y)＝v表示，则两个随机变量x、y之间的协方差定义为：
cov(x,y)＝e((x-μ)(y-v))(3)
基于上式，皮尔逊相关系数采用协方差反应两个变量线性相关时取值最大的特性反应两个变量之间的关联程度。
作为上述方案的进一步优化，所述系统故障预测模型的构建还包括如下：
基于随机森林算法，将灰度关联算法进行集成，进行电力系统日志的相似集预测；
基于计算的相似集进行故障预测，对随机森林算法的计算准确度进行增强；
垂直分割输入的数据，进行基于随机森林算法的任务训练的并行性，将输入地数据提高复用率，增大随机森林算法的执行速率。
本发明还公开了一种基于多模态学习的电力系统故障预警系统，包括如下模块：
特征库构建模块，用于基于电力信息系统的数据库、网络等异常的运行故障记录，进行数据库、网络等异常相关联的典型数据特征的分析，且针对性提出异常的高效特征表示方法，构建系统日志故障特征库；
画像机制构建模块，用于采用深度神经网络结构，且基于电力信息系统的网络数据标签，针对该系统进行特征归类，构建基于分类算法的系统健康画像；
故障处理构建模块，用于基于知识库与推理机的原理，进行知识库与推理机的高速和高精度决策，通过对电力信息系统故障的关系分析，针对不同的故障类型提出处理策略，基于提出的策略对实际运行产生的不同类型故障的准确定位和快速处理；
故障预测构建模块，用于基于多模态多任务机器技术，进行训练任务的通用迁移，且采用多任务学习，针对系统故障处理模型进行同一时间多类型故障训练，进行故障预测模型的泛化增强；基于随机森林预测模型，再结合深度特征学习技术提取的日志特征向量进行系统故障预测模型的训练，进行电力信息系统的预测故障实时告警。
作为上述方案的进一步优化，所述特征库构建模块还包括如下单元：
特征全集构建单元，用于计算电力系统日志故障产生的所有有效特征，设置为n，基于n个特征构建特征全集，设为2n，即2n为所述电力系统日志故障的特征全集；
特征子集筛选单元，用于基于电力系统日志故障的特征全集，基于搜索策略对于构建的特征全集2n进行进一步的特征子集的筛选并存储放置；
函数评估单元，用于设置一评估函数，基于该评估函数进行存储放置的特征子集进行函数评估，且将函数评估的结果与结束准则进行对比；
若评估结果优于结束准则，结束当前操作，并记录当前评估结果对应的特征子集作为备选特征子集；
若评估结果差于结束准则，基于搜索策略重新筛选特征子集，并进行评估。
本发明采用上述的技术方案，与现有技术相比，一种基于多模态学习的电力系统故障预警方法和系统，具有以下技术效果：
1.本发明通过采集电力信息系统的故障日志，构建系统日志故障特征库，基于深度神经网络构建系统健康画像，再通过对电力信息系统故障的关系分析进行针对性策略提出，进行快速定位故障的建模准备需求，再基于多模态多任务机器技术，针对系统故障处理模型进行同一时间多类型故障训练，结合深度特征学习技术提取的日志特征向量进行系统故障预测模型的训练，进行电力信息系统的预测故障实时告警。
2.本发明基于电力系统日志故障的特征全集，进行筛选，获取有效的特征子集，再通过对特征子集进行函数评估，比预设规则优则选取，差则进行新一轮的特征子集选取和评估，保障了构建特征库的特征集始终为最优特征集，为后续进行数据建模提供了有效的保障依据。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本发明的一种基于多模态学习的电力系统故障预警方法的系统流程图；
图2为本发明的一种基于多模态学习的电力系统故障预警系统的结构框图；
图3为本发明的一种基于多模态学习的电力系统故障预警系统的特征库构建模块图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1-3所示，本发明实施例公开了一种基于多模态学习的电力系统故障预警方法，包括如下步骤：
基于电力信息系统的数据库、网络等异常的运行故障记录，进行数据库、网络等异常相关联的典型数据特征的分析，且针对性提出异常的高效特征表示方法，构建系统日志故障特征库；
具体的，构建系统日志故障特征库基于特征选择构建，特征选择包括如下步骤：
计算电力系统日志故障产生的所有有效特征，设置为n，基于n个特征构建特征全集，设为2n，即2n为所述电力系统日志故障的特征全集；
基于电力系统日志故障的特征全集，基于搜索策略对于构建的特征全集2n进行进一步的特征子集的筛选并存储放置；
本发明实施例优选采用随机搜索，其主要通过在进行筛选计算过程中，将特征选择问题与遗传算法、模拟退火算法、随机产生序列选择算法等过程进行有机结合，且本发明的搜索策略包括但不限于采用随机搜索，还包括完全搜索和启发式搜索；
设置一评估函数，基于该评估函数进行存储放置的特征子集进行函数评估，且将函数评估的结果与结束准则进行对比；
具体的，评估函数包括过滤式和封装式，过滤式方法与后续学习无关，一般直接利用训练数据的统计性能评估特征，速度快，但与后续学习算法的性能上有一定的偏差，一般用作预处理；
封装式方法直接采用后续的学习算法的损失函数来评估特征子集，偏差小但计算量大，其实质上是一个分类器；
若评估结果优于结束准则，结束当前操作，并记录当前评估结果对应的特征子集作为备选特征子集；若评估结果差于结束准则，基于搜索策略重新筛选特征子集，并进行评估；
采用深度神经网络结构，且基于电力信息系统的网络数据标签，针对该系统进行特征归类，构建基于分类算法的系统健康画像；
具体的，构建基于分类算法的系统健康画像，利用存储于电力系统服务器的海量日志以及数据库存储的数据进行分析和挖掘，针对分析和挖掘结果进行系统tag，所述tag包括网络异常连接、数据库数据异常以及系统运行错误；
更具体的，电力信息系统某一维度特征的提取即系统健康画像的生产过程，可以分为以下几步：
1).系统建模，指确定提取的系统特征维度和需要使用到的数据源；
2).数据收集，通过数据收集工具，如flume或自己写的脚本程序，把需要使用的数据统一存放到hadoop集群；
3).数据清理，数据清理的过程通常位于hadoop集群，也有可能与数据收集同时进行，这一步的主要工作，是把收集到各种来源、杂乱无章的数据进行字段提取，得到关注的目标特征；
4).模型训练，有些特征可能无法直接从数据清理得到，那么可以通过收集到的已知特征进行学习和预测；
5).属性预测，利用训练得到的模型和系统的已知特征，预测系统的未知特征；
6).数据合并，把用户通过各种数据源提取的特征进行合并，并给出一定的可信度；
7).数据分发，对于合并后的结果数据，分发到系统决策引擎平台，提供数据决策支持；
通过基于分类算法进行系统健康画像的构建，不仅体现日志事件的时序性和关联性，更有利于后续的分析与挖掘；
基于知识库与推理机的原理，进行知识库与推理机的高速和高精度决策，通过对电力信息系统故障的关系分析，针对不同的故障类型提出处理策略，基于提出的策略对实际运行产生的不同类型故障的准确定位和快速处理；
系统故障处理模型的构建包括如下：
模型参数进行初始化，确定模型参数的初始值，且在模型参数进行模型训练过程中进行取样，对模型训练的动态变化进行监控；
基于深度卷积神经网络进行电力信息系统的故障处理模型的构建；
基于已经构建完成的系统故障处理模型，通过对模型的参数变化轨迹，初始参数设置，超参数设置以及利用凸优化方法调优的认知，进行系统故障处理模型的优化处理；
基于多模态多任务机器技术，进行训练任务的通用迁移，且采用多任务学习，针对系统故障处理模型进行同一时间多类型故障训练，进行故障预测模型的泛化增强；基于随机森林预测模型，再结合深度特征学习技术提取的日志特征向量进行系统故障预测模型的训练，进行电力信息系统的预测故障实时告警；
具体的，基于电力系统多模态的日志数据，构建基于有效距离的多模态特征选择模型，具体如下：
设电力系统存在k个模态，电力系统故障日志的特征训练样本xk＝[x1k,x2k,…xck]b∈rc×d为第k个模态的训练样本数据；a＝[a1,a2,…ai…ac]b∈rc代表类别号；ai为第i个样本
设lk∈rd为第k个任务的线性函数的权重向量，且l＝[l1,l1,…,lk]∈rd×k为对应权重矩阵，且设置lj为l的行，为k个模态中第j个特征向量；
基于有效距离的多模态特征选择模型如下所示：
其中，||l||2,1为权重矩阵l的l2,1范数，进行lj的l2范数的和运算；α、β为正的常量。
作为上述方案的进一步优化，所述系统故障预测模型的构建如下：
基于皮尔逊相关系数算法，进行相关性判别，计算公式如下所示：
上式中，var(x)为x的方差，var(y)是y的方差，cov(x,y)是x、y的协方差；
期望值采用e(x)＝μ与e(y)＝v表示，则两个随机变量x、y之间的协方差定义为：
cov(x,y)＝e((x-μ)(y-v))(3)
基于上式，皮尔逊相关系数采用协方差反应两个变量线性相关时取值最大的特性反应两个变量之间的关联程度；
系统故障预测模型的构建还包括如下：
基于随机森林算法，将灰度关联算法进行集成，进行电力系统日志的相似集预测；
基于计算的相似集进行故障预测，对随机森林算法的计算准确度进行增强；
垂直分割输入的数据，进行基于随机森林算法的任务训练的并行性，将输入地数据提高复用率，增大随机森林算法的执行速率；
基于随机森林算法，通过计算每个特征值的信息增益比，采用垂直数据分割的方式，将目标因素分别与每个特征因素相结合形成一个新的rdd；
然后在每个抽样周期中，不复制抽样的数据，只是将被抽样的数据的索引放到一个表中，然后将dsi和特征因素分发到各个节点，计算任务只需要通过dsi查找相应的特征数据即可进行计算，不仅提高了算法执行过程中数据的并行度，又能减少数据复制，同时提高了处理速度；
本发明实施例还公开一种基于多模态学习的电力系统故障预警系统，包括如下模块：
特征库构建模块，用于基于电力信息系统的数据库、网络等异常的运行故障记录，进行数据库、网络等异常相关联的典型数据特征的分析，且针对性提出异常的高效特征表示方法，构建系统日志故障特征库；
特征库构建模块还包括如下单元：
特征全集构建单元，用于计算电力系统日志故障产生的所有有效特征，设置为n，基于n个特征构建特征全集，设为2n，即2n为所述电力系统日志故障的特征全集；
特征子集筛选单元，用于基于电力系统日志故障的特征全集，基于搜索策略对于构建的特征全集2n进行进一步的特征子集的筛选并存储放置；
函数评估单元，用于设置一评估函数，基于该评估函数进行存储放置的特征子集进行函数评估，且将函数评估的结果与结束准则进行对比；
若评估结果优于结束准则，结束当前操作，并记录当前评估结果对应的特征子集作为备选特征子集；
若评估结果差于结束准则，基于搜索策略重新筛选特征子集，并进行评估；
画像机制构建模块，用于采用深度神经网络结构，且基于电力信息系统的网络数据标签，针对该系统进行特征归类，构建基于分类算法的系统健康画像；
故障处理构建模块，用于基于知识库与推理机的原理，进行知识库与推理机的高速和高精度决策，通过对电力信息系统故障的关系分析，针对不同的故障类型提出处理策略，基于提出的策略对实际运行产生的不同类型故障的准确定位和快速处理；
故障预测构建模块，用于基于多模态多任务机器技术，进行训练任务的通用迁移，且采用多任务学习，针对系统故障处理模型进行同一时间多类型故障训练，进行故障预测模型的泛化增强；基于随机森林预测模型，再结合深度特征学习技术提取的日志特征向量进行系统故障预测模型的训练，进行电力信息系统的预测故障实时告警；
本系统还包括用于进行系统故障日志采集的日志采集模块；
具体的，本实施例提出了一种基于多模态学习的电力系统故障预警系统，针对电力系统的故障日志进行特征提取，通过深度神经网络算法进行系统故障预测模型的构建，便于进行运维人员对于电力信息系统的监控；
更具体的，运维人员基于电力信息系统管理进行用户管理，进行具体的用户权限分配；电力信息系统基于日志采集模块进行系统的日志收集并存储，形成原始日志数据特征库；并基于特征全集构建单元进行特征全集的构建，再通过已构建好的特征全集筛选特征子集，基于已经筛选完备的特征子集，进行函数评估：若评估结果优于结束准则，结束当前操作，并记录当前评估结果对应的特征子集作为备选特征子集；若评估结果差于结束准则，基于搜索策略重新筛选特征子集，并进行评估；形成有利于后续建模的特征库；再基于电力信息系统的网络数据标签，构建基于算法分类的系统健康画像，不仅可以提现日志事件的时序性和关联性，更有利于后续的分析与挖掘；最后通过构建故障处理构建以及故障预测构建，采用同一时间多类型故障的方式进行模型训练，形成成熟的系统故障预测模型；通过多模态学习等机器学习技术构建系统故障预测模型，实现系统隐患预测，提高运维效率，同时也大大减轻了运维人员的系统压力。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
1.一种基于多模态学习的电力系统故障预警方法，其特征在于，包括：
基于电力信息系统的数据库、网络等异常的运行故障记录，进行数据库、网络异常相关联的典型数据特征的分析，且针对性提出异常的高效特征表示方法，构建系统日志故障特征库；
采用深度神经网络结构，且基于电力信息系统的网络数据标签，针对该系统进行特征归类，构建基于分类算法的系统健康画像；
基于知识库与推理机的原理，进行知识库与推理机的高速和高精度决策，通过对电力信息系统故障的关系分析，针对不同的故障类型提出处理策略，基于提出的策略对实际运行产生的不同类型故障的准确定位和快速处理；
基于多模态多任务机器技术，进行训练任务的通用迁移，且采用多任务学习，针对系统故障处理模型进行同一时间多类型故障训练，进行故障预测模型的泛化增强；基于随机森林预测模型，再结合深度特征学习技术提取的日志特征向量进行系统故障预测模型的训练，进行电力信息系统的预测故障实时告警。
2.根据权利要求1所述的一种基于多模态学习的电力系统故障预警方法，其特征在于，所述构建系统日志故障特征库基于特征选择构建，所述特征选择包括如下步骤：
计算电力系统日志故障产生的所有有效特征，设置为n，基于n个特征构建特征全集，设为2n，即2n为所述电力系统日志故障的特征全集；
基于电力系统日志故障的特征全集，基于搜索策略对于构建的特征全集2n进行进一步的特征子集的筛选并存储放置；
设置一评估函数，基于该评估函数进行存储放置的特征子集进行函数评估，且将函数评估的结果与结束准则进行对比；
若评估结果优于结束准则，结束当前操作，并记录当前评估结果对应的特征子集作为备选特征子集；若评估结果差于结束准则，基于搜索策略重新筛选特征子集，并进行评估。
3.根据权利要求1所述的一种基于多模态学习的电力系统故障预警方法，其特征在于，所述构建基于分类算法的系统健康画像，利用存储于电力系统服务器的海量日志以及数据库存储的数据进行分析和挖掘，针对分析和挖掘结果进行系统tag，所述tag包括网络异常连接、数据库数据异常以及系统运行错误。
4.根据权利要求1所述的一种基于多模态学习的电力系统故障预警方法，其特征在于，所述系统故障处理模型的构建包括如下：
模型参数进行初始化，确定模型参数的初始值，且在模型参数进行模型训练过程中进行取样，对模型训练的动态变化进行监控；
基于深度卷积神经网络进行电力信息系统的故障处理模型的构建；
基于已经构建完成的系统故障处理模型，通过对模型的参数变化轨迹，初始参数设置，超参数设置以及利用凸优化方法调优的认知，进行系统故障处理模型的优化处理。
5.根据权利要求1所述的一种基于多模态学习的电力系统故障预警方法，其特征在于，基于电力系统多模态的日志数据，构建基于有效距离的多模态特征选择模型，具体如下：
设电力系统存在k个模态，电力系统故障日志的特征训练样本xk＝[x1k,x2k,…xck]b∈rc×d为第k个模态的训练样本数据；a＝[a1,a2,…ai…ac]b∈rc代表类别号；ai为第i个样本
设lk∈rd为第k个任务的线性函数的权重向量，且l＝[l1,l1,…,lk]∈rd×k为对应权重矩阵，且设置lj为l的行，为k个模态中第j个特征向量；
基于有效距离的多模态特征选择模型如下所示：
其中，||l||2,1为权重矩阵l的l2,1范数，进行lj的l2范数的和运算；α、β为正的常量。
6.根据权利要求1所述的一种基于多模态学习的电力系统故障预警方法，其特征在于，所述系统故障预测模型的构建如下：
基于皮尔逊相关系数算法，进行相关性判别，计算公式如下所示：
上式中，var(x)为x的方差，var(y)是y的方差，cov(x,y)是x、y的协方差；
期望值采用e(x)＝μ与e(y)＝v表示，则两个随机变量x、y之间的协方差定义为：
cov(x,y)＝e((x-μ)(y-v))(3)
基于上式，皮尔逊相关系数采用协方差反应两个变量线性相关时取值最大的特性反应两个变量之间的关联程度。
7.根据权利要求6所述的一种基于多模态学习的电力系统故障预警方法，其特征在于，所述系统故障预测模型的构建还包括如下：
基于随机森林算法，将灰度关联算法进行集成，进行电力系统日志的相似集预测；
基于计算的相似集进行故障预测，对随机森林算法的计算准确度进行增强；
垂直分割输入的数据，进行基于随机森林算法的任务训练的并行性，将输入地数据提高复用率，增大随机森林算法的执行速率。
8.一种基于多模态学习的电力系统故障预警系统，其特征在于，包括如下模块：
特征库构建模块，用于基于电力信息系统的数据库、网络等异常的运行故障记录，进行数据库、网络等异常相关联的典型数据特征的分析，且针对性提出异常的高效特征表示方法，构建系统日志故障特征库；
画像机制构建模块，用于采用深度神经网络结构，且基于电力信息系统的网络数据标签，针对该系统进行特征归类，构建基于分类算法的系统健康画像；
故障处理构建模块，用于基于知识库与推理机的原理，进行知识库与推理机的高速和高精度决策，通过对电力信息系统故障的关系分析，针对不同的故障类型提出处理策略，基于提出的策略对实际运行产生的不同类型故障的准确定位和快速处理；
故障预测构建模块，用于基于多模态多任务机器技术，进行训练任务的通用迁移，且采用多任务学习，针对系统故障处理模型进行同一时间多类型故障训练，进行故障预测模型的泛化增强；基于随机森林预测模型，再结合深度特征学习技术提取的日志特征向量进行系统故障预测模型的训练，进行电力信息系统的预测故障实时告警。
9.根据权利要求8所述的一种基于多模态学习的电力系统故障预警系统，其特征在于，所述特征库构建模块还包括如下单元：
特征全集构建单元，用于计算电力系统日志故障产生的所有有效特征，设置为n，基于n个特征构建特征全集，设为2n，即2n为所述电力系统日志故障的特征全集；
特征子集筛选单元，用于基于电力系统日志故障的特征全集，基于搜索策略对于构建的特征全集2n进行进一步的特征子集的筛选并存储放置；
函数评估单元，用于设置一评估函数，基于该评估函数进行存储放置的特征子集进行函数评估，且将函数评估的结果与结束准则进行对比；
若评估结果优于结束准则，结束当前操作，并记录当前评估结果对应的特征子集作为备选特征子集；
若评估结果差于结束准则，基于搜索策略重新筛选特征子集，并进行评估。
技术总结