CN116340869A - 基于红狐优化算法的分布式CatB肌体检测方法及设备 - Google Patents
基于红狐优化算法的分布式CatB肌体检测方法及设备 Download PDFInfo
- Publication number
- CN116340869A CN116340869A CN202310341738.3A CN202310341738A CN116340869A CN 116340869 A CN116340869 A CN 116340869A CN 202310341738 A CN202310341738 A CN 202310341738A CN 116340869 A CN116340869 A CN 116340869A
- Authority
- CN
- China
- Prior art keywords
- catb
- model
- distributed
- optimization algorithm
- red fox
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 95
- 235000008954 quail grass Nutrition 0.000 title claims abstract description 73
- 241000282485 Vulpes vulpes Species 0.000 title claims abstract description 69
- 238000005457 optimization Methods 0.000 title claims abstract description 69
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000005856 abnormality Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 11
- 238000005192 partition Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 241000282487 Vulpes Species 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 210000003477 cochlea Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于红狐优化算法的分布式CatB肌体检测方法及设备。所述方法包括:步骤1:对原始肌体数据进行预处理;步骤2:构建类别性特征梯度提升树CatB模型,使用改进红狐优化算法对类别性特征梯度提升树CatB模型的参数进行分布式优化;步骤3:将最优参数代入优化后的类别性特征梯度提升树CatB模型,读取预设数量的肌体数据集进行模型训练;步骤4:将训练完毕的模型用于肌体异常检测。本发明可以有效地推动相关检测行业的智能化发展,提高肌体检测的效率和准确性,有着重要的社会和经济意义。
Description
技术领域
本发明实施例涉及肌体异常检测技术领域,尤其涉及一种基于红狐优化算法的分布式CatB肌体检测方法及设备。
背景技术
当今,肌体异常检测领域中常用的技术包括传统的统计学方法和机器学习方法。传统的统计学方法主要包括控制图、时间序列分析和异常统计方法等。这些方法是从数据分布的角度出发,分析数据与正常情况的差异,从而确定数据是否异常。这些方法通常基于特定的假设,例如数据呈正态分布或服从某种特定的分布,但是现实数据往往不具备这种特殊性质,因此这些方法可能会出现误报或漏报的情况。相对于传统的统计学方法,机器学习方法在肌体异常检测领域中得到了越来越广泛的应用。机器学习方法是通过从大量的数据中学习模式和规律,进而进行异常检测。常用的机器学习方法包括基于概率模型的方法、基于分类器的方法和基于聚类的方法等。这些方法在许多实际应用中表现出色,但也存在一些缺陷,如需要大量的标注数据、模型参数的选择和调整等问题。此外,由于肌体数据往往是高度机密和敏感的,隐私保护也是机器学习方法面临的一个挑战。因此,开发一种基于红狐优化算法的分布式CatB肌体检测方法及设备,可以有效克服上述相关技术中的缺陷,就成为业界亟待解决的技术问题。
发明内容
针对现有技术存在的上述问题,本发明实施例提供了一种基于红狐优化算法的分布式CatB肌体检测方法及设备。
第一方面,本发明的实施例提供了一种基于红狐优化算法的分布式CatB肌体检测方法,包括:步骤1:对原始肌体数据进行预处理;步骤2:构建类别性特征梯度提升树CatB(即CatBoost)模型,使用改进红狐优化算法对类别性特征梯度提升树CatB模型的参数进行分布式优化;步骤3:将最优参数代入优化后的类别性特征梯度提升树CatB模型,读取预设数量的肌体数据集进行模型训练;步骤4:将训练完毕的模型用于肌体异常检测。
在上述方法实施例内容的基础上,本发明实施例中提供的基于红狐优化算法的分布式CatB肌体检测方法,所述对原始肌体数据进行预处理,包括:对原始肌体数据进行数据清洗、数据去重、数据归一化和特征选择。
在上述方法实施例内容的基础上,本发明实施例中提供的基于红狐优化算法的分布式CatB肌体检测方法,步骤2具体包括:步骤2.1:创建spark环境sc,将训练集划分为若干个子集,每个子集放置于一个节点上,采用类别性特征梯度提升树CatB算法训练子模型,得到一个基础的分布式类别性特征梯度提升树CatB算法模型;步骤2.2:引入改进红狐优化算法,确定适宜度函数和解空间范围,对类别性特征梯度提升树CatB参数进行优化。
在上述方法实施例内容的基础上,本发明实施例中提供的基于红狐优化算法的分布式CatB肌体检测方法,步骤2.2具体包括:步骤2.2.1:种群初始化,在主节点Spark Drive上,初始化整个种群的信息,并使用parallelize函数将个体分配到节点上;步骤2.2.2:计算适宜值,每个分区的适宜值计算之后会通过broadcast广播变量进行同步更新,将最适宜值进行广播;步骤2.2.3:红狐个体向最优个体进行移动,重新计算适宜值并排序,将最优个体进行广播更新,根据种群更新条件进行淘汰、繁衍与变异生成新的种群;步骤2.2.4:重复步骤2.2.3直至不再符合迭代条件。
在上述方法实施例内容的基础上,本发明实施例中提供的基于红狐优化算法的分布式CatB肌体检测方法,所述初始化整个种群的信息,包括:初始红狐数量、解空间范围以及种群的最大迭代次数。
在上述方法实施例内容的基础上,本发明实施例中提供的基于红狐优化算法的分布式CatB肌体检测方法,所述红狐个体向最优个体进行移动,其中个体移动路径包括:
第二方面,本发明的实施例提供了一种基于红狐优化算法的分布式CatB肌体检测装置,包括:第一主模块,用于实现步骤1:对原始肌体数据进行预处理;第二主模块,用于实现步骤2:构建类别性特征梯度提升树CatB模型,使用改进红狐优化算法对类别性特征梯度提升树CatB模型的参数进行分布式优化;第三主模块,用于实现步骤3:将最优参数代入优化后的类别性特征梯度提升树CatB模型,读取预设数量的肌体数据集进行模型训练;第四主模块,用于实现步骤4:将训练完毕的模型用于肌体异常检测。
第三方面,本发明的实施例提供了一种电子设备,包括:
至少一个处理器;以及
与处理器通信连接的至少一个存储器,其中:
存储器存储有可被处理器执行的程序指令,处理器调用程序指令能够执行第一方面的各种实现方式中任一种实现方式所提供的基于红狐优化算法的分布式CatB肌体检测方法。
第四方面,本发明的实施例提供了一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的基于红狐优化算法的分布式CatB肌体检测方法。
本发明实施例提供的基于红狐优化算法的分布式CatB肌体检测方法及设备,具有高准确性、高效率、强泛化能力和稳定性,并且可以进一步优化和改进,提高算法在实际应用中的应用效果和可靠性,在肌体异常检测领域具有重要的应用价值和推广前景,可以有效地推动相关检测行业的智能化发展,提高肌体检测的效率和准确性,有着重要的社会和经济意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单的介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于红狐优化算法的分布式CatB肌体检测方法流程图;
图2为本发明实施例提供的基于红狐优化算法的分布式CatB肌体检测装置结构示意图;
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。另外,本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合,以形成可行的技术方案,这种结合不受步骤先后次序和/或结构组成模式的约束,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时,应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明实施例提供了一种基于红狐优化算法的分布式CatB肌体检测方法,参见图1,该方法包括:步骤1:对原始肌体数据进行预处理;步骤2:构建类别性特征梯度提升树CatB模型,使用改进红狐优化算法对类别性特征梯度提升树CatB模型的参数进行分布式优化;步骤3:将最优参数代入优化后的类别性特征梯度提升树CatB模型,读取预设数量的肌体数据集进行模型训练;步骤4:将训练完毕的模型用于肌体异常检测。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于红狐优化算法的分布式CatB肌体检测方法,所述对原始肌体数据进行预处理,包括:对原始肌体数据进行数据清洗、数据去重、数据归一化和特征选择。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于红狐优化算法的分布式CatB肌体检测方法,步骤2具体包括:步骤2.1:创建spark环境sc,将训练集划分为若干个子集,每个子集放置于一个节点上,采用类别性特征梯度提升树CatB算法训练子模型,得到一个基础的分布式类别性特征梯度提升树CatB算法模型;步骤2.2:引入改进红狐优化算法,确定适宜度函数和解空间范围,对类别性特征梯度提升树CatB参数进行优化。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于红狐优化算法的分布式CatB肌体检测方法,步骤2.2具体包括:步骤2.2.1:种群初始化,在主节点Spark Drive上,初始化整个种群的信息,并使用parallelize函数将个体分配到节点上;步骤2.2.2:计算适宜值,每个分区的适宜值计算之后会通过broadcast广播变量进行同步更新,将最适宜值进行广播;步骤2.2.3:红狐个体向最优个体进行移动,重新计算适宜值并排序,将最优个体进行广播更新,根据种群更新条件进行淘汰、繁衍与变异生成新的种群;步骤2.2.4:重复步骤2.2.3直至不再符合迭代条件。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于红狐优化算法的分布式CatB肌体检测方法,所述初始化整个种群的信息,包括:初始红狐数量、解空间范围以及种群的最大迭代次数。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于红狐优化算法的分布式CatB肌体检测方法,所述红狐个体向最优个体进行移动,其中个体移动路径包括:
本发明实施例提供的基于红狐优化算法的分布式CatB肌体检测方法,具有高准确性、高效率、强泛化能力和稳定性,并且可以进一步优化和改进,提高算法在实际应用中的应用效果和可靠性,在肌体异常检测领域具有重要的应用价值和推广前景,可以有效地推动相关检测行业的智能化发展,提高肌体检测的效率和准确性,有着重要的社会和经济意义。
在另一实施例中,基于红狐优化算法的分布式CatB肌体检测方法,包括:第一步,对原始数据进行预处理。包括但不限于数据清洗、数据去重、数据归一化、特征选择等。其中,数据归一化可以使不同特征之间的值具有可比性,同时可加速算法的收敛速度;特征选择可以提取数据中的有效信息,减少数据噪声和冗余。
第二步,基于改进的红狐优化算法,对CatBoost算法进行了分布式化改进,以便于在大规模肌体数据上进行异常检测。具体而言,采用了Spark平台,将CatBoost算法的训练过程分散到多个节点上进行,并使用MapReduce框架对训练数据进行划分和并行计算,提高了算法的效率和准确率。训练过程中,通过改进的红狐优化算法对CatBoost算法中的超参数进行优化,提高了算法的泛化能力和准确率。具体实施方式如下:
步骤2.1CatBoost算法模型构建
将训练集划分为若干个子集,每个子集放置于一个节点上,采用CatBoost算法训练子模型,得到一个基础的分布式化CatBoost算法模型。
步骤2.2改进红狐优化算法引入
种群初始化
随机生成了若干个个体作为初始种群,将需要优化的CatBoost模型的超参数作为个体内容,确定个体维度并设立好解空间范围。
计算适应度值
淘汰个体
将所有个体的适宜值进行排序,淘汰适宜值最低的20%的个体繁衍与变异
全局搜索
局部搜索
选择随机超参数μ来进行局部搜索的判断,local为局部搜索移动判断阈值,模拟了天气,观测半径等条件给出了改进的人工耳蜗方程。r为定义的红狐视觉半径,a为局部移动的距离随机缩放超参数,表示红狐的观测角度,/>到/>都是(0,2π)的随机观测角度,θ代表模拟的雾雨天气等不利因素。/>和/>分别为个体移动后的位置和当前所在位置,下角标为个体维度坐标。
移动路径为
更新种群
通过繁衍淘汰变异移动阶段,生成了下一代的种群,用其代替原有种群进行下一次迭代。
步骤2.3基于Spark框架,实现分布式化算法。
将数据集分成多个分区,每个分区独立运算,然后将计算结果进行合并,得到最终结果。
对于步骤2.2中的种群初始化和个体运动,可使用Spark的并行化特性,将数据集划分成多个分区Partition,使每个分区独立运算。利用RDD接口,对每个分区的数据进行操作,然后将计算结果汇总到驱动节点上,更新最优解。利用Spark的MapReduce计算模型,进行分布式计算。利用Spark的广播变量broadcast,sort排序后将全局最优传递给所有节点。
第三步,对异常检测结果进行分析和评估。根据数据集的特点和实际需求,选择相应的性能指标进行评估,包括但不限于准确率、召回率、F1值等。根据实验结果,对算法进行优化和调整,以提高异常检测的准确性和效率。
本发明采用分布式化的CatBoost算法结合红狐优化算法进行肌体异常检测,具有以下优点:算法准确性高:采用CatBoost算法作为基础算法,经过改进红狐优化算法的优化,使算法准确性更高,能够更精准地识别肌体异常。算法效率高:通过采用Spark框架实现分布式计算,能够更快地处理大规模的数据集,提高算法的效率。算法泛化能力强:通过使用数据集扩增技术,增加数据集的多样性和数量,能够提高算法的泛化能力,从而更好地适应不同的场景。算法稳定性强:通过使用模型集成技术,将多个经过优化的模型进行融合,可以提高算法的稳定性,减少误识别率。
本发明提供了一种分布式化的基于红狐优化算法优化的CatBoost算法在肌体异常检测领域的应用方法,可以有效地提高肌体异常检测的准确性和效率,具有很好的应用前景。
综上所述,本发明提供了一种基于红狐优化算法的分布式CatB肌体检测方法,不仅具有高准确性、高效率、强泛化能力和稳定性,而且还可以进一步优化和改进,提高算法在实际应用中的应用效果和可靠性。本发明的技术方案和创新思路在肌体异常检测领域具有重要的应用价值和推广前景,可以有效地推动肌体行业的智能化发展,提高肌体诊断和治疗的效率和准确性,有着重要的社会和经济意义。
本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中,可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况,在上述各实施例的基础上,本发明的实施例提供了一种基于红狐优化算法的分布式CatB肌体检测装置,该装置用于执行上述方法实施例中的基于红狐优化算法的分布式CatB肌体检测方法。参见图2,该装置包括:第一主模块,用于实现步骤1:对原始肌体数据进行预处理;第二主模块,用于实现步骤2:构建类别性特征梯度提升树CatB模型,使用改进红狐优化算法对类别性特征梯度提升树CatB模型的参数进行分布式优化;第三主模块,用于实现步骤3:将最优参数代入优化后的类别性特征梯度提升树CatB模型,读取预设数量的肌体数据集进行模型训练;第四主模块,用于实现步骤4:将训练完毕的模型用于肌体异常检测。
本发明实施例提供的基于红狐优化算法的分布式CatB肌体检测装置,采用图2中的若干模块,具有高准确性、高效率、强泛化能力和稳定性,并且可以进一步优化和改进,提高算法在实际应用中的应用效果和可靠性,在肌体异常检测领域具有重要的应用价值和推广前景,可以有效地推动相关检测行业的智能化发展,提高肌体检测的效率和准确性,有着重要的社会和经济意义。
需要说明的是,本发明提供的装置实施例中的装置,除了可以用于实现上述方法实施例中的方法外,还可以用于实现本发明提供的其他方法实施例中的方法,区别仅仅在于设置相应的功能模块,其原理与本发明提供的上述装置实施例的原理基本相同,只要本领域技术人员在上述装置实施例的基础上,参考其他方法实施例中的具体技术方案,通过组合技术特征获得相应的技术手段,以及由这些技术手段构成的技术方案,在保证技术方案具备实用性的前提下,就可以对上述装置实施例中的装置进行改进,从而得到相应的装置类实施例,用于实现其他方法类实施例中的方法。例如:
基于上述装置实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于红狐优化算法的分布式CatB肌体检测装置,还包括:第一子模块,用于实现所述对原始肌体数据进行预处理,包括:对原始肌体数据进行数据清洗、数据去重、数据归一化和特征选择。
基于上述装置实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于红狐优化算法的分布式CatB肌体检测装置,还包括:第二子模块,用于实现步骤2具体包括:步骤2.1:创建spark环境sc,将训练集划分为若干个子集,每个子集放置于一个节点上,采用类别性特征梯度提升树CatB算法训练子模型,得到一个基础的分布式类别性特征梯度提升树CatB算法模型;步骤2.2:引入改进红狐优化算法,确定适宜度函数和解空间范围,对类别性特征梯度提升树CatB参数进行优化。
基于上述装置实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于红狐优化算法的分布式CatB肌体检测装置,还包括:第三子模块,用于实现步骤2.2具体包括:步骤2.2.1:种群初始化,在主节点Spark Drive上,初始化整个种群的信息,并使用parallelize函数将个体分配到节点上;步骤2.2.2:计算适宜值,每个分区的适宜值计算之后会通过broadcast广播变量进行同步更新,将最适宜值进行广播;步骤2.2.3:红狐个体向最优个体进行移动,重新计算适宜值并排序,将最优个体进行广播更新,根据种群更新条件进行淘汰、繁衍与变异生成新的种群;步骤2.2.4:重复步骤2.2.3直至不再符合迭代条件。
基于上述装置实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于红狐优化算法的分布式CatB肌体检测装置,还包括:第四子模块,用于实现所述初始化整个种群的信息,包括:初始红狐数量、解空间范围以及种群的最大迭代次数。
基于上述装置实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于红狐优化算法的分布式CatB肌体检测装置,还包括:第五子模块,用于实现所述红狐个体向最优个体进行移动,其中个体移动路径包括:
本发明实施例的方法是依托电子设备实现的,因此对相关的电子设备有必要做一下介绍。基于此目的,本发明的实施例提供了一种电子设备,如图3所示,该电子设备包括:至少一个处理器(processor)、通信接口(Communications Interface)、至少一个存储器(memory)和通信总线,其中,至少一个处理器,通信接口,至少一个存储器通过通信总线完成相互间的通信。至少一个处理器可以调用至少一个存储器中的逻辑指令,以执行前述各个方法实施例提供的方法的全部或部分步骤。
此外,上述的至少一个存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的一些部分所述的方法。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
需要说明的是,术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句"包括……"限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于红狐优化算法的分布式CatB肌体检测方法,其特征在于,包括:步骤1:对原始肌体数据进行预处理;步骤2:构建类别性特征梯度提升树CatB模型,使用改进红狐优化算法对类别性特征梯度提升树CatB模型的参数进行分布式优化;步骤3:将最优参数代入优化后的类别性特征梯度提升树CatB模型,读取预设数量的肌体数据集进行模型训练;步骤4:将训练完毕的模型用于肌体异常检测。
2.根据权利要求1所述的基于红狐优化算法的分布式CatB肌体检测方法,其特征在于,所述对原始肌体数据进行预处理,包括:对原始肌体数据进行数据清洗、数据去重、数据归一化和特征选择。
3.根据权利要求2所述的基于红狐优化算法的分布式CatB肌体检测方法,其特征在于,步骤2具体包括:步骤2.1:创建spark环境sc,将训练集划分为若干个子集,每个子集放置于一个节点上,采用类别性特征梯度提升树CatB算法训练子模型,得到一个基础的分布式类别性特征梯度提升树CatB算法模型;步骤2.2:引入改进红狐优化算法,确定适宜度函数和解空间范围,对类别性特征梯度提升树CatB参数进行优化。
4.根据权利要求3所述的基于红狐优化算法的分布式CatB肌体检测方法,其特征在于,步骤2.2具体包括:步骤2.2.1:种群初始化,在主节点Spark Drive上,初始化整个种群的信息,并使用parallelize函数将个体分配到节点上;步骤2.2.2:计算适宜值,每个分区的适宜值计算之后会通过broadcast广播变量进行同步更新,将最适宜值进行广播;步骤2.2.3:红狐个体向最优个体进行移动,重新计算适宜值并排序,将最优个体进行广播更新,根据种群更新条件进行淘汰、繁衍与变异生成新的种群;步骤2.2.4:重复步骤2.2.3直至不再符合迭代条件。
5.根据权利要求4所述的基于红狐优化算法的分布式CatB肌体检测方法,其特征在于,所述初始化整个种群的信息,包括:初始红狐数量、解空间范围以及种群的最大迭代次数。
7.一种基于红狐优化算法的分布式CatB肌体检测装置,其特征在于,包括:第一主模块,用于实现步骤1:对原始肌体数据进行预处理;第二主模块,用于实现步骤2:构建类别性特征梯度提升树CatB模型,使用改进红狐优化算法对类别性特征梯度提升树CatB模型的参数进行分布式优化;第三主模块,用于实现步骤3:将最优参数代入优化后的类别性特征梯度提升树CatB模型,读取预设数量的肌体数据集进行模型训练;第四主模块,用于实现步骤4:将训练完毕的模型用于肌体异常检测。
8.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器和通信接口;其中,
所述处理器、存储器和通信接口相互间进行通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行权利要求1至6任一项权利要求所述的方法。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行权利要求1至6中任一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310341738.3A CN116340869A (zh) | 2023-03-31 | 2023-03-31 | 基于红狐优化算法的分布式CatB肌体检测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310341738.3A CN116340869A (zh) | 2023-03-31 | 2023-03-31 | 基于红狐优化算法的分布式CatB肌体检测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116340869A true CN116340869A (zh) | 2023-06-27 |
Family
ID=86883858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310341738.3A Pending CN116340869A (zh) | 2023-03-31 | 2023-03-31 | 基于红狐优化算法的分布式CatB肌体检测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116340869A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117311993A (zh) * | 2023-11-28 | 2023-12-29 | 华东交通大学 | 一种云计算负载均衡方法及系统 |
-
2023
- 2023-03-31 CN CN202310341738.3A patent/CN116340869A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117311993A (zh) * | 2023-11-28 | 2023-12-29 | 华东交通大学 | 一种云计算负载均衡方法及系统 |
CN117311993B (zh) * | 2023-11-28 | 2024-03-08 | 华东交通大学 | 一种云计算负载均衡方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179307A (zh) | 一种全卷积分类及回归孪生网络结构的视觉目标跟踪方法 | |
CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
CN111898432B (zh) | 一种基于改进YOLOv3算法的行人检测系统及方法 | |
CN111968123B (zh) | 一种半监督视频目标分割方法 | |
CN110929848B (zh) | 基于多挑战感知学习模型的训练、跟踪方法 | |
CN113076871A (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
CN113706581B (zh) | 基于残差通道注意与多层次分类回归的目标跟踪方法 | |
CN113221787A (zh) | 基于多元差异性融合的行人多目标跟踪方法 | |
CN112766170B (zh) | 基于簇类无人机图像的自适应分割检测方法及装置 | |
CN112215423B (zh) | 一种基于趋势引导与稀疏交互的行人轨迹预测方法及系统 | |
CN115588030B (zh) | 基于孪生网络的视觉目标跟踪方法及设备 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Zhou et al. | Online filter clustering and pruning for efficient convnets | |
CN116340869A (zh) | 基于红狐优化算法的分布式CatB肌体检测方法及设备 | |
CN114708479B (zh) | 一种基于图结构和特征的自适应防御方法 | |
CN113012107A (zh) | 电网缺陷检测方法及系统 | |
CN113658217B (zh) | 一种自适应目标跟踪方法、装置及存储介质 | |
CN115375966A (zh) | 一种基于联合损失函数的图像对抗样本生成方法及系统 | |
CN114067240A (zh) | 一种融合行人特性的在线更新策略行人单目标跟踪方法 | |
CN111461139B (zh) | 一种复杂场景下的多目标视觉显著性分层检测方法 | |
CN114612663A (zh) | 基于弱监督学习的域自适应实例分割方法及装置 | |
CN114241470A (zh) | 一种基于注意力机制的自然场景文字检测方法 | |
CN112215272A (zh) | 一种基于贝塞尔曲线的图像分类神经网络攻击方法 | |
CN116665064B (zh) | 基于生成蒸馏与特征扰动的城市变化图生成方法及其应用 | |
CN113313079B (zh) | 一种车辆属性识别模型的训练方法、系统及相关设备 |
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 |