[发明专利]一种分类模型构建方法、装置及终端设备在审
申请号: | 201710565394.9 | 申请日: | 2017-07-12 |
公开(公告)号: | CN107480696A | 公开(公告)日: | 2017-12-15 |
发明(设计)人: | 马超;王坤昊;韩丽屏;于成龙 | 申请(专利权)人: | 深圳信息职业技术学院 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/04 |
代理公司: | 深圳中一专利商标事务所44237 | 代理人: | 官建红 |
地址: | 518029 广东*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 分类 模型 构建 方法 装置 终端设备 | ||
1.一种分类模型构建方法,其特征在于,包括:
对用于构建分类模型的训练数据集进行优化,所述优化的过程包括:
获取第一训练数据集,并对所述第一训练数据集中所有数据的数据属性特征进行归一化处理,得出所述第一训练数据集中,每种数据的数据属性特征在所述归一化处理之后对应的特征值;
基于集成学习方法,对深度神经网络中神经网络层的极限学习机分类器进行构建;
基于所述特征值,利用所述极限学习机分类器对所述第一训练数据集进行因子相关性计算,并利用得出的因子相关系数,对所述极限学习机分类器进行筛选,确定出所需的极限学习机分类器以及所述所需的极限学习机分类器对应的权重值;
根据所述因子相关系数以及所述权重值,对所述第一训练数据集进行重新构建,并得到所述神经网络层输出的第二训练数据集;
在所述优化的过程结束之后,若满足预设的收敛条件,则基于当前的所述第二训练数据集,进行分类模型的构建;
若不满足预设的收敛条件,则将所述第二训练数据集作为所述第一训练数据集,并再次执行所述优化的过程。
2.如权利要求1所述的分类模型构建方法,其特征在于,所述基于所述特征值,利用所述极限学习机分类器对所述第一训练数据集进行因子相关性计算,并利用得出的因子相关系数,对所述极限学习机分类器进行筛选,确定出所需的极限学习机分类器以及所述所需的极限学习机分类器对应的权重值,包括:
控制所述极限学习机分类器根据所述特征值,对所述第一训练数据集进行所述因子相关性计算,得出每种数据包含的所述数据属性特征之间的所述因子相关系数;
根据所述因子相关系数,计算出所述数据属性特征之间的度量误差;
利用所述度量误差对所述极限学习机分类器进行筛选,确定出所需的极限学习机分类器,并根据所述度量误差,计算所述所需的极限学习机分类器分别对应的第一权重值;
利用预设的权重优化公式,对所述第一权重值进行调整,得到所述所需的极限学习机分类器分别对应的第二权重值。
3.如权利要求2所述的分类模型构建方法,其特征在于,所述根据所述因子相关系数以及所述权重值,对所述第一训练数据集进行重新构建,并得到所述神经网络层输出的第二训练数据集,包括:
根据所述因子相关系数对所述第一训练数据集中每种数据包含的数据属性特征进行筛选,得出筛选后的第三训练数据集;
根据所述第二权重值,对所述第三训练数据集进行处理,得到第二训练数据集。
4.如权利要求2所述的分类模型构建方法,其特征在于,所述根据所述因子相关系数,计算出所述数据属性特征之间的度量误差包括:
其中,Δt度量误差,rt是因子相关系数,λ是常量因子取值范围为(0,1),ε与w的取值范围均为[0,1],t是表示处于深度神经网络第t层。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳信息职业技术学院,未经深圳信息职业技术学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710565394.9/1.html,转载请声明来源钻瓜专利网。