CN111310810A - 基于差分学习和粒子群的特征选择的图像分类方法及系统 - Google Patents
基于差分学习和粒子群的特征选择的图像分类方法及系统 Download PDFInfo
- Publication number
- CN111310810A CN111310810A CN202010080572.0A CN202010080572A CN111310810A CN 111310810 A CN111310810 A CN 111310810A CN 202010080572 A CN202010080572 A CN 202010080572A CN 111310810 A CN111310810 A CN 111310810A
- Authority
- CN
- China
- Prior art keywords
- particle
- population
- image
- classified
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于差分学习和粒子群的特征选择的图像分类方法及系统,包括:获取待分类图像;对待分类图像进行预处理;对预处理后的待分类图像进行特征提取;基于差分学习和粒子群算法从提取的特征中进行特征选择;将选择的特征输入到分类器中,输出待分类图像的分类结果。本公开设计一种具有较强全局搜索能力的算法,可以有效的加速分类任务中特征选择过程,进而加速图像分类的速度。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及基于差分学习和粒子群的特征选择的图像分类方法及系统。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术,并不必然构成现有技术。
在机器学习和数据挖掘领域,分类任务是一项重要且受到广泛研究的热点问题,其目的是根据数据提供的特征信息为每个实例分配一个类别标签。在分类问题中,数据集通常包含大量数据特征,其中许多的特征对于分类任务实现可能是不相关的,并且由于其较大的搜索空间,这些特征甚至可能会降低学习算法的分类性能,这在科学研究中的术语为“维数的诅咒”。在没有任何先验知识的情况下,从众多的数据特征中辨别出有用特征是一件极其困难的任务。因此,如何快速且高效的从众多的数据特征中筛选出有用特征,已成为阻碍机器学习和数据挖掘领域发展的关键问题。特征选择是一种有效的数据预处理技术,其通过从原始特征集中移除不相关特征来简化数据分析,以期提升分类任务的分类精度,缩短分类模型构建的训练时间和降低分类模型陷入过拟合的风险。目前,特征选择预处理技术已经广泛应用于图像分类、故障诊断、推荐系统和文本分类等众多问题中,并取得了较好的效果。
根据不同的特征评价标准,特征选择方法可以分为两类,即包装型和过滤型。过滤型的方法是根据数据的内在属性来评估特征,例如距离度量、相关性度量、一致性度量和信息度量等。包装型的方法是使用分类算法的预测精度来评估所选的特征子集,例如K-最近邻、支持向量机、神经网络和贝叶斯网络等。相比而言,包装型的方法可以获得较高的分类精度但是比较耗时,而过滤型的方法通常运算时间比较少但是获得的精度较低。特征选择可以视为一个组合优化任务。假设数据集中包含n个原始特征,则特征选择过程倾向于从2n个可能的特征组合中选择一个。当特征数量很大时,几乎不可能使用穷举搜索找到最优的特征子集。
在实现本公开的过程中,发明人发现现有技术中存在以下技术问题:
现有的图像特征选择多是基于操作者的经验,所选择的特征不具有代表性或虽具有代表性但是有局限性,会导致图像分类准确度不高,图像分类精准度差且图像分类速度慢。
发明内容
本公开的目的就是为了解决上述问题,提供基于差分学习和粒子群的特征选择的图像分类方法及系统,设计一种具有较强全局搜索能力的算法,可以有效的加速分类任务中特征选择过程。
为了实现上述目的,本公开采用如下技术方案:
第一方面,本公开提供了基于差分学习和粒子群的特征选择的图像分类方法;
基于差分学习和粒子群的特征选择的图像分类方法,包括:
获取待分类图像;
对待分类图像进行预处理;
对预处理后的待分类图像进行特征提取;
基于差分学习和粒子群算法从提取的特征中进行特征选择;
将选择的特征输入到分类器中,输出待分类图像的分类结果。
第二方面,本公开提供了基于差分学习和粒子群的特征选择的图像分类系统;
基于差分学习和粒子群的特征选择的图像分类系统,包括:
获取模块,其被配置为:获取待分类图像;
预处理模块,其被配置为:对待分类图像进行预处理;
特征提取模块,其被配置为:对预处理后的待分类图像进行特征提取;
特征选择模块,其被配置为:基于差分学习和粒子群算法从提取的特征中进行特征选择;
图像分类模块,其被配置为:将选择的特征输入到分类器中,输出待分类图像的分类结果。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述方法的步骤。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述方法的步骤。
本公开的有益效果:
1图像分类准确度高,图像分类鲁棒性强且图像分类速度快;
2具有实施简单、挖掘速度快,分类精度高和可调参数少等优点。
3选取出真正相关的特征,能够进一步简化模型,易于从业人员操作;
4剔除不相关特征,可以进一步缩短模型训练时间,提升其实际应用价值;
附图说明
图1为本公开实施例一的流程图;
图2为实施例一中使用本公开方法与原始粒子群算法优化Breastcancer数据的适应度值变化趋势图;
图3为实施例一中使用本公开方法与粒子群算法优化SpectEW数据的适应度值变化趋势图;
图4为实施例一中使用本公开方法与粒子群算法优化IonosphereEW数据的适应度值变化趋势图;
图5为实施例一中使用本公开方法与粒子群算法优化KrvskpEW数据的适应度值变化趋势图;
图6为实施例一中使用本公开方法与粒子群算法优化WaveformEW数据的适应度值变化趋势图;
图7为实施例一中使用本公开方法与粒子群算法优化Zoo数据的适应度值变化趋势图;
图8为实施例一中使用本公开方法与粒子群算法优化Satellite数据的适应度值变化趋势图;
图9为实施例一中使用本公开方法与粒子群算法优化Movementlibras数据的适应度值变化趋势图;
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
实施例一,本实施例提供了基于差分学习和粒子群的特征选择的图像分类方法;
基于差分学习和粒子群的特征选择的图像分类方法,包括:
S1:获取待分类图像;
S2:对待分类图像进行预处理;
S3:对预处理后的待分类图像进行特征提取;
S4:基于差分学习和粒子群算法从提取的特征中进行特征选择;
S5:将选择的特征输入到分类器中,输出待分类图像的分类结果。
作为一个或多个实施例,所述S2中,对待分类图像进行预处理,包括:二值化处理等。
作为一个或多个实施例,所述S3中,对预处理后的待分类图像进行特征提取;包括:提取颜色特征、纹理特征、灰度特征等。
作为一个或多个实施例,如图1所示,所述S4中,基于差分学习和粒子群算法从提取的特征中进行特征选择;具体步骤包括:
S441:输入进行特征选择的特征集;将特征集中的每个特征视为一个粒子;
S442:初始化种群的大小和最大函数评估次数,并随机初始化种群中各粒子的初始位置和速度;
S443:根据所选特征子集适应度评价函数,评估种群中每一个粒子的适应度值;
S444:初始化种群的个体最优位置pbest和全局最优位置gbest;
S445:采用差分学习,构造搜索范例;
S446:如果gbest在给定的迭代次数内没有改变,执行范例更新算子;
S447:更新粒子群中每一个粒子的飞行速度;
S448:更新粒子群中粒子的位置;
S449:采用S443中的适应度评价函数评估种群中每一个粒子的适应度值;
S4410:更新种群的个体最优位置pbest和全局最优位置gbest;
S4411:判断种群的最大迭代次数是否达到;若是,停止进化,将得到的全局最优位置转化为所选的最优特征子集;否则,转入S445继续执行搜索过程。
作为一个或多个实施例,S442的具体步骤包括:粒子种群的大小设置为40,最大函数评估次数设置为4000,每一个粒子均代表一个特征选择的候选解,其位置的初始范围为[0,1],速度的初始范围为[0,0.6]。
作为一个或多个实施例,所述S443的具体步骤包括:根据粒子在解空间范围内的初始位置,然后采用特征子集的适应度评价函数计算每一个粒子的适应度值,该值为评价所选特征子集的准则,其值越小越好,即错分率越低,所选特征个数越少。
作为一个或多个实施例,所述S444的具体步骤包括:设定粒子当前的位置为个体最优位置pbest;并将种群中适应度值最小的个体位置设置为当前粒子种群的全局最优位置gbest。
作为一个或多个实施例,所述S445中,采用差分学习构造搜索范例;具体步骤包括:
S4451:突变操作;
采用基于全局最优粒子的突变算子来产生一个突变范例Mi,具体操作如下:
Mid=gbestd+F×(pbestr1,d-pbestr2,d) (3)
其中,索引r1和r2是在[1,NP]内互不相同的整数,NP表示种群中的粒子数。F是缩放因子,用于调节在搜索过程中的缩放量。gbest表示种群的全局最优位置。
用公式(4)来处理该搜索过程中,突变向量Mi超出搜索空间的预定边界的问题:
其中,Xmax和Xmin表示搜索空间的上界和下界。
S4452:交叉操作;
对于每个粒子,交叉操作主要用于生成新的试验范例Ui,具体过程如下:
其中,jrand是从[1,D]中随机选择的整数,D表示粒子的维数。randj表示0到1范围内的随机数。CR表示交叉概率,用于控制从突变范例Mi复制的位数。条件j=jrand是用来确保试验范例Ui至少具有一个与其对应的原始范例pbesti不同的参数。
S4453:选择操作;
在变异和交叉操作过后,执行选择操作来确定到底使用试验范例还是用原始范例来知道粒子更新,具体过程如下:
其中,f(Ui)和f(pbesti)分别表示Ui和pbesti的适应度值。
作为一个或多个实施例,所述S446的具体步骤包括:
在给定的迭代次数内,如果gbest未发生改变,则表示搜索已陷入局部最优状态;基于螺旋型机制的范例更新算子来更新范例EVi;在进化过程中,该算子通过改变粒子的搜索方向,来帮助其逃避局部最优,该算子描述如下:
EVi=H×eb×l×cos(2πl)+EVi (7)
其中,H=|gbest-EVi|表示范例EVi到当前全局最优位置gbest的欧式距离;b是一个常数,用于调节螺旋形状;l是介于0到1之间的一个随机数。
作为一个或多个实施例,所述S447的具体步骤包括:
vid=w×vid+c×r×(EVid-xid) (8)
其中,vid表示第i个粒子的飞行速度;xid表示第i个粒子的位置;c表示加速系数,设置为1.49618;r为范围[0,1]内的一个随机数;d表示粒子群的维数大小。
作为一个或多个实施例,所述S448的具体步骤包括:
xid=xid+vid (9)
其中,xid表示第i个粒子的位置;vid表示第i个粒子下一时刻的飞行速度。
作为一个或多个实施例,所述S4410的具体步骤包括:
对于产生的新种群,更新每一个粒子的个体最优位置pbest和种群的全局最优位置gbest。
更新过程依据每一个粒子的适应度值展开:
对于种群中的单个粒子,如果产生个体的适应度值小于个体历史最优位置,则将当前粒子的位置作为新的个体最优位置,否则保持个体最优位置不变;
对于种群的全局最优位置,将种群中所有粒子的个体最优位置的适应度值进行比较,选出适应度值最小的粒子,将其作为当前粒子种群的全局最优位置。
作为一个或多个实施例,所述方法,还包括:确定评估特征子集的学习算法;具体步骤包括:
特征评估是特征选择过程中评价所选特征子集质量的重要步骤。由于K-最近邻算法具有高效且易实现的学习特性,本公开使用K-最近邻算法作为评估所选特征子集分类精度的学习算法,其中K值设为5。
作为一个或多个实施例,所述方法,还包括:建立评估所选特征子集的适应度评价函数;具体步骤包括:
考虑到特征选择过程是一个多目标优化任务,即分类精度高和所选特征数量少。因此,本公开将学习算法的分类错误率和特征子集的长度作为评价所选特征子集质量的指标,并用一个权重因子来连接。由此,特征子集的适应度评价函数可表述为如下形式:
其中,γR(D)表示特征子集R相对于目标数据集D的分类错误率;|S|表示所选特征子集的长度;|N|表示数据集中特征的总个数;α是权重因子,用于调节分类错误率和特征子集长度比率的参数,本公开中α设置为0.9。
由于现实中大多数数据集都是不平衡的,因此本公开中使用平衡精度来计算适应度评价函数中的第一部分。此外,为了避免特征选择过程中出现的特征选择偏差,采用5折交叉验证来评估训练集上的分类精度。分类错误率的计算公式如下:
其中,c表示数据集的类别数,TPRi代表类别i中正确识别的精度。
作为一个或多个实施例,所述方法,还包括:确定特征在粒子中的表征形式;具体步骤包括:
粒子中各维的搜索范围为0到1,设定选择的阈值为0.6,即当位置值大于0.6,则表示该特征被选中;否则,该位置所对应的特征不被选中。
为了进一步说明本公开在处理分类任务特征选择时的优越性,图2-图9给出了本公开方法与粒子群算法在处理Breastcancer、SpectEW、Ionosphere、KrvskpEW、WaveformEW、Zoo、Satellite和Movementlibras八个分类数据集时所得的适应度值收敛曲线。
图2为实例中使用本公开方法与原始粒子群算法在Breastcancer分类问题中的适应度值变化趋势图;图3为实例中使用本公开方法与粒子群算法在SpectEW分类问题中的适应度值变化趋势图;图4为实例中使用本公开方法与粒子群算法在IonosphereEW分类问题中的适应度值变化趋势图;图5为实例中使用本公开方法与粒子群算法在KrvskpEW分类问题中的适应度值变化趋势图;图6为实例中使用本公开方法与粒子群算法在WaveformEW分类问题中的适应度值变化趋势图;图7为实例中使用本公开方法与粒子群算法在Zoo分类问题中的适应度值变化趋势图;图8为实例中使用本公开方法与粒子群算法在Satellite分类问题中的适应度值变化趋势图;图9为实例中使用本公开方法与粒子群算法在Movementlibras分类问题中的适应度值变化趋势图;例中以给出了8个经典分类问题为例,每一个分类问题独立执行30次,种群中粒子的个数设置为40,最大迭代次数设置为100,并记录每次所得的性能指标值。表1所示为使用分类任务中所有特征、粒子群算法和本公开方法所得最优特征子集分类精度的统计结果,表中CR(%)表示所选特征子集在分类器中的分类精度。通过比较可知,本公开提出的特征选择方法能够更好的选择出具有较高分类精度的特征子集,去除数据集中无用特征的能力明显增强。分析图2-图9可以发现,本公开方法的收敛速度得到了明显的提升,这也反应出了本公开所提出特征选择方法的高效性。
综上可知,本公开提出的基于差分学习和粒子群算法的分类任务特征选择方法能够有效处理实际中普遍存在的特征选择问题。
表1八个分类问题的分类精度对比
进化算法被广泛证明拥有较强的全局搜索能力,并且可以在复杂的空间中有效的搜索到全局最佳或者接近最佳的解决方案。粒子群算法作为进化算法中的一类,由于其高效且易实现的优点,现已被广泛应用于解决各类实际问题。相比于其它进化算法,粒子群算法具有自然的特征表征方式,是用于实现特征选择任务的首选。在粒子群算法中,每一个粒子代表一个候选解决方案。在搜索过程中,每个粒子通过向个体最优位置和全局最优位置进行学习来更新自身的位置和速度。这种学习策略容易实现,但是容易引发粒子搜索过程中的振荡现象,导致过早收敛。因此,本公开提出了一种基于差分学习的策略来更新粒子的速度和位置,其可以通过构造高效的搜索范例来有效的解决粒子振荡问题。
本公开还提出了一个基于螺旋型机制的范例更新算子来解决搜索陷入局部最优的问题。它可以有效的改变搜索过程中粒子的方向,从而增加粒子逃离局部最优的可能性。
实施例二,本实施例提供了基于差分学习和粒子群的特征选择的图像分类系统;
基于差分学习和粒子群的特征选择的图像分类系统,包括:
获取模块,其被配置为:获取待分类图像;
预处理模块,其被配置为:对待分类图像进行预处理;
特征提取模块,其被配置为:对预处理后的待分类图像进行特征提取;
特征选择模块,其被配置为:基于差分学习和粒子群算法从提取的特征中进行特征选择;
图像分类模块,其被配置为:将选择的特征输入到分类器中,输出待分类图像的分类结果。
实施例三,本实施例还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一所述方法的步骤。
实施例四,本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述方法的步骤。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.基于差分学习和粒子群的特征选择的图像分类方法,其特征是,包括:
获取待分类图像;
对待分类图像进行预处理;
对预处理后的待分类图像进行特征提取;
基于差分学习和粒子群算法从提取的特征中进行特征选择;
将选择的特征输入到分类器中,输出待分类图像的分类结果。
2.如权利要求1所述的方法,其特征是,基于差分学习和粒子群算法从提取的特征中进行特征选择;具体步骤包括:
S441:输入进行特征选择的特征集;将特征集中的每个特征视为一个粒子;
S442:初始化种群的大小和最大函数评估次数,并随机初始化种群中各粒子的初始位置和速度;
S443:根据所选特征子集适应度评价函数,评估种群中每一个粒子的适应度值;
S444:初始化种群的个体最优位置pbest和全局最优位置gbest;
S445:采用差分学习,构造搜索范例;
S446:如果gbest在给定的迭代次数内没有改变,执行范例更新算子;
S447:更新粒子群中每一个粒子的飞行速度;
S448:更新粒子群中粒子的位置;
S449:采用S443中的适应度评价函数评估种群中每一个粒子的适应度值;
S4410:更新种群的个体最优位置pbest和全局最优位置gbest;
S4411:判断种群的最大迭代次数是否达到;若是,停止进化,将得到的全局最优位置转化为所选的最优特征子集;否则,转入S445继续执行搜索过程。
3.如权利要求2所述的方法,其特征是,所述S445中,采用差分学习构造搜索范例;具体步骤包括:
S4451:突变操作;
采用基于全局最优粒子的突变算子来产生一个突变范例Mi,具体操作如下:
Mid=gbestd+F×(pbestr1,d-pbestr2,d) (3)
其中,索引r1和r2是在[1,NP]内互不相同的整数,NP表示种群中的粒子数;F是缩放因子,用于调节在搜索过程中的缩放量;gbest表示种群的全局最优位置;
用公式(4)来处理该搜索过程中,突变向量Mi超出搜索空间的预定边界的问题:
其中,Xmax和Xmin表示搜索空间的上界和下界;
S4452:交叉操作;
对于每个粒子,交叉操作主要用于生成新的试验范例Ui,具体过程如下:
其中,jrand是从[1,D]中随机选择的整数,D表示粒子的维数;randj表示0到1范围内的随机数;CR表示交叉概率,用于控制从突变范例Mi复制的位数;条件j=jrand是用来确保试验范例Ui至少具有一个与其对应的原始范例pbesti不同的参数;
S4453:选择操作;
在变异和交叉操作过后,执行选择操作来确定到底使用试验范例还是用原始范例来知道粒子更新,具体过程如下:
其中,f(Ui)和f(pbesti)分别表示Ui和pbesti的适应度值。
4.如权利要求2所述的方法,其特征是,所述S446的具体步骤包括:
在给定的迭代次数内,如果gbest未发生改变,则表示搜索已陷入局部最优状态;基于螺旋型机制的范例更新算子来更新范例EVi;在进化过程中,该算子通过改变粒子的搜索方向,来帮助其逃避局部最优,该算子描述如下:
EVi=H×eb×l×cos(2πl)+EVi (7)
其中,H=|gbest-EVi|表示范例EVi到当前全局最优位置gbest的欧式距离;b是一个常数,用于调节螺旋形状;l是介于0到1之间的一个随机数。
5.如权利要求2所述的方法,其特征是,所述S447的具体步骤包括:
vid=w×vid+c×r×(EVid-xid) (8)
其中,vid表示第i个粒子的飞行速度;xid表示第i个粒子的位置;c表示加速系数,设置为1.49618;r为范围[0,1]内的一个随机数;d表示粒子群的维数大小。
6.如权利要求2所述的方法,其特征是,所述S448的具体步骤包括:
xid=xid+vid (9)
其中,xid表示第i个粒子的位置;vid表示第i个粒子下一时刻的飞行速度。
7.如权利要求2所述的方法,其特征是,所述S4410的具体步骤包括:
对于产生的新种群,更新每一个粒子的个体最优位置pbest和种群的全局最优位置gbest;
更新过程依据每一个粒子的适应度值展开:
对于种群中的单个粒子,如果产生个体的适应度值小于个体历史最优位置,则将当前粒子的位置作为新的个体最优位置,否则保持个体最优位置不变;
对于种群的全局最优位置,将种群中所有粒子的个体最优位置的适应度值进行比较,选出适应度值最小的粒子,将其作为当前粒子种群的全局最优位置。
8.基于差分学习和粒子群的特征选择的图像分类系统,其特征是,包括:
获取模块,其被配置为:获取待分类图像;
预处理模块,其被配置为:对待分类图像进行预处理;
特征提取模块,其被配置为:对预处理后的待分类图像进行特征提取;
特征选择模块,其被配置为:基于差分学习和粒子群算法从提取的特征中进行特征选择;
图像分类模块,其被配置为:将选择的特征输入到分类器中,输出待分类图像的分类结果。
9.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项方法的步骤。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080572.0A CN111310810B (zh) | 2020-02-05 | 2020-02-05 | 基于差分学习和粒子群的特征选择的图像分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080572.0A CN111310810B (zh) | 2020-02-05 | 2020-02-05 | 基于差分学习和粒子群的特征选择的图像分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310810A true CN111310810A (zh) | 2020-06-19 |
CN111310810B CN111310810B (zh) | 2022-12-06 |
Family
ID=71146971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010080572.0A Active CN111310810B (zh) | 2020-02-05 | 2020-02-05 | 基于差分学习和粒子群的特征选择的图像分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310810B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077064A (zh) * | 2023-10-13 | 2023-11-17 | 云南滇能智慧能源有限公司 | 一种风电设备的故障检测方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596943A (zh) * | 2018-05-17 | 2018-09-28 | 桂林电子科技大学 | 一种基于混沌差分进化粒子群的运动估计算法 |
-
2020
- 2020-02-05 CN CN202010080572.0A patent/CN111310810B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596943A (zh) * | 2018-05-17 | 2018-09-28 | 桂林电子科技大学 | 一种基于混沌差分进化粒子群的运动估计算法 |
Non-Patent Citations (7)
Title |
---|
JINGWEI TOO,ET AL.: "Hybrid Binary Particle Swarm Optimization Differential Evolution-Based Feature Selection for EMG Signals Classifiation", 《AXIOMS》 * |
SEYEDALI MIRJALILI,ET AL.: "The Whale Optimization Algorithm", 《ADVANCES IN ENGINEERING SOFTWARE》 * |
任潞等: "基于PSODE混合算法优化的自抗扰控制器设计", 《现代电子技术》 * |
李超,等.: "基于PSO优选特征的实木板材缺陷的压缩感知分选方法", 《北京林业大学学报》 * |
池元成等: "基于差分进化和粒子群优化算法的混合优化算法", 《计算机工程与设计》 * |
王志,等.: "一种新的差分与粒子群算法的混合算法", 《计算机工程与应用》 * |
郭康等: "基于差分进化混合粒子群算法的电力系统无功优化", 《陕西电力》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077064A (zh) * | 2023-10-13 | 2023-11-17 | 云南滇能智慧能源有限公司 | 一种风电设备的故障检测方法、装置、设备及存储介质 |
CN117077064B (zh) * | 2023-10-13 | 2024-02-06 | 云南滇能智慧能源有限公司 | 一种风电设备的故障检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111310810B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8108324B2 (en) | Forward feature selection for support vector machines | |
JP6897749B2 (ja) | 学習方法、学習システム、および学習プログラム | |
CN111310799B (zh) | 一种基于历史评估结果的主动学习方法 | |
US11562294B2 (en) | Apparatus and method for analyzing time-series data based on machine learning | |
Mansoori et al. | Feature selection by genetic algorithm and SVM classification for cancer detection | |
EP3745317A1 (en) | Apparatus and method for analyzing time series data based on machine learning | |
CN111310810B (zh) | 基于差分学习和粒子群的特征选择的图像分类方法及系统 | |
CN112308161A (zh) | 一种基于人工智能半监督聚类目标下的粒子群算法 | |
CN112488188B (zh) | 一种基于深度强化学习的特征选择方法 | |
CN110705631B (zh) | 一种基于svm的散货船舶设备状态检测方法 | |
CN112527670B (zh) | 一种基于Active Learning的项目内软件老化缺陷预测方法 | |
US20220083913A1 (en) | Learning apparatus, learning method, and a non-transitory computer-readable storage medium | |
JP6233432B2 (ja) | 混合モデルの選択方法及び装置 | |
KR20220014744A (ko) | 강화 학습을 기반으로 한 데이터 전처리 시스템 및 방법 | |
CN113468936A (zh) | 一种食材识别方法、装置和设备 | |
Chuang et al. | Chaotic binary particle swarm optimization for feature selection using logistic map | |
CN113688950B (zh) | 用于图像分类的多目标特征选择方法、装置和存储介质 | |
Molnár et al. | Constellation Recognition on Digital Images | |
CN112509017B (zh) | 一种基于可学习差分算法的遥感影像变化检测方法 | |
US20220083859A1 (en) | Learning apparatus, learning method, and a non-transitory computer-readable storage medium | |
US20220405599A1 (en) | Automated design of architectures of artificial neural networks | |
US20230054706A1 (en) | Learning apparatus and learning method | |
US20220083824A1 (en) | Execution control apparatus, execution control method, and a non-transitory computer-readable storage medium | |
Nadri et al. | A Framework for Categorize Feature Selection Algorithms for Classification and Clustering | |
CN117972447A (zh) | 一种时序数据的模式识别方法、装置和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |