[发明专利]用于分类算法的预处理

说明书

一种用于分类算法的预处理。本发明要解决的技术问题是，借助分类算法以高质量对特征进行分类。根据本发明，该技术问题通过调整预处理算法来实现，预处理算法在分类算法之前被应用于描绘特征的测量数据(201)，其中所述调整考虑分类的质量。

技术领域

本发明的不同示例通常涉及对由测量数据组描绘的至少一个特征进行分类。本发明的不同示例尤其涉及在将分类算法应用于预处理的测量数据组之前将预处理算法应用于测量数据组。在此描述了一种用于调整预处理算法的技术。

背景技术

P.Kadlec等人在Memetic Computing，第1卷，第4号，2009年9月29日，第241-269页，ISSN:1865-9284发表的“Architecture for development of adaptive on-lineprediction models，用于开发自适应在线预测模型的架构”中描述了在线预测模型(Online-Vorhersagemodell)的架构。在此，预处理方法和学习方法被用于处理数据。

人工智能可以实现对测量数据组中的特征的识别。例如，可以结合下面应用的一个或多个来使用相应的特征分类：分析医学数据；分析机器的运行数据；识别语音、图像或文字；分析工件和材料；等等

在与特征分类有关的不同的情景下，期望对分类的质量进行优化。已知一种通过将预处理算法应用于相应的测量数据组来优化分类的质量的技术，参见欧洲专利申请17179 817.6。

然而，这种技术是相对静态的，并且通常可能难以合适地设置预处理算法。

发明内容

因此，存在对借助分类算法对特征进行分类的改进技术的需求。尤其存在对能够消除至少一些上述限制和缺点的技术的需求。

该技术问题通过独立权利要求的特征来解决。从属专利权利要求的特征限定了实施方式。

该方法包括获得测量数据组。该方法还包括将预处理算法应用于测量数据组。由此获得预处理的测量数据组。该方法还包括将分类算法应用于预处理的测量数据组。由此对由测量数据组和/或预处理的测量数据组描绘的至少一个特征进行分类。该方法还包括确定对至少一个特征进行的分类的质量并且基于所确定的质量来调整预处理算法。

测量数据组例如可以对应于测量系列，该测量系列具有带有相关联的测量值的多个输入参量。因此，测量数据组可以具有多个数据点。测量数据可以描绘一个或多个物理观测量，例如吸收光谱、透射光谱、距离、振动、温度、湿度、压力、加速度、音量、声谱等。

可以应用不同的预处理算法。特别地，可以应用减少测量数据组的数据点数量的预处理算法，使得预处理的测量数据组具有较少数量的数据点。还可以应用考虑测量数据组的物理技术环境的预处理算法，以便由此在对至少一个特征进行分类方面实现高精度。

特别地，可以将预处理算法与分类算法分开地定义。例如，可以基于参考测量数据组对分类算法进行训练，但是其中不对预处理算法进行训练，或者无论如何将预处理算法与分类算法分开地进行训练。

例如，还可以将分类算法称为数据驱动模型，因为其通常利用测量数据和关于精确分类的附加信息(也被称为基本事实(ground truth))进行训练和学习。分类算法例如可以包括人工神经网络(KNN)、例如具有一个或多个卷积层(英文convolutional neuralnetwork，CNN)的KNN。KNN可以具有输入层、输出层和一个或多个隐藏层。分类算法还可以包括线性PLS回归(英文partial least squares，PLS，偏最小二乘)。还可以使用传统的滤波器、例如卡尔曼滤波器。通常可以使用学习分类算法。分类算法可以包括支持向量机(Support Vector Machine，SVM)和/或聚类方法和/或决策树和/或PLS回归、特别是PLSDA回归。