CN117079120A - 一种基于改进ga算法的目标识别模型优化方法 - Google Patents

Abstract

本发明提供一种基于改进GA算法的目标识别模型优化方法，包括以下步骤：将超参数种群初始化并计算所述超参数种群的适应度；计算超参数选择概率算子；计算超参数中各分量的交叉概率；基于目标识别模型适应度对超参数分量的相关程度，构造优化的交叉概率函数；为防止超参数优化过程陷入局部解，在执行超参数选择交叉前，随机生成变异位，并引入变异概率p_m。本发明方法过程简单，易操作，适用于多种人工智能传感，是一种具有广泛应用前景的人工智能目标识别方法。

Description

一种基于改进GA算法的目标识别模型优化方法

技术领域

本发明涉及人工智能技术领域，具体而言，尤其涉及一种基于改进GA算法的目标识别模型优化方法。

背景技术

随着人工智能领域的快速发展，人们对物质生活的需求也在增加，追求智能高效的货物运输也成为满足人们需求的主要条件，动态实时跟踪和识别目标在目标检测和海上运输任务中具有广泛的应用价值。目前，国际贸易总量的三分之二和中国进出口货运总量的90％以上都是通过海上运输实现的。船舶在航行过程中需要使用一些先进的技术来获取其他船舶及其障碍物在一定范围内的位置等信息。通过视觉感知可以获得船舶周围最直观的信息。利用相关的图像处理技术，提前识别和判断船舶周围环境，检测海面上的运动或静止目标，部分图像处理技术利用基础模型为GA算法识别其类别，从而判断或预测目标在海上的可能位置和行为结果，为船舶自主避障路径规划提供保障，虑及超参数对模型精度的影响，引入遗传算法对超参数进行优化。然而，现有遗传算法中，基因交叉过程常采用随机交叉原则，超参数优化效率较低。因此，本发明基于模型适应度对超参数分量的相关程度，构造优化的交叉概率函数，可更大概率的生成优质超参数组，从而提高目标识别模型的超参数优化效率测量特性，广泛应用于目标识别框架中，准确获取海上卸货过程中的货物识别信息对于船舶计划后续航行方式的判断也具有重要意义。

海军工程大学管理工程系的陈晓山等人于2006年发表的核心期刊《一种可进化人工神经网络的结构设计及其在舰船雷达目标识别中的应用》中提出了一种基于目标识别的神经进化网络的方法，目的是将GA和神经网络技术相结合，充分利用两者的长处，克服相互不足，从而找到一种更优的搜索方法，更有效地解决实际问题，但该方法在改进人工神经网络上效果不是太好，且该方法计算复杂容易产生较大的机械误差。

中南大学的薛章鹰等人于2017年在《测绘工程》第二期中发表了《结合ReliefF、GA和SVM的面向对象建筑物目标识别特征选择方法》，使用Relief F算法计算出各个特征的权重，依据权重对特征进行排序，排序靠后的特征将被直接排除，不再参与到GA的优化过程中，从而缩短GA染色体的长度，减少优化时间，但是该方法在如何获取更优质量的样本，为特征选择提供更科学的依据上略有不足。

中国民航大学的张积洪等人于2018年在《计算机工程与设计》第四期中发表了基于《EWT与GA-SVM的地面目标识别》，利用训练完成的GA-SVM模型对目标进行分类利用遗传算法寻找出分类器最佳参数：惩罚因子C和核参数g。但该方法适用性太窄，只适合人员和车辆的识别且准确率较低。

发明内容

根据上述背景技术中提到的技术问题，而提供一种基于改进GA算法的目标识别模型优化方法。本发明给出了一种基于改进GA算法的目标识别模型优化方法。该方法包括4个步骤：超参数种群初始化；计算选择概率算子；计算基于模型适应度的优化交叉概率；种群更新变异。该方法过程简单，易操作，适用于多种人工智能传感，是一种具有广泛应用前景的人工智能目标识别方法。本发明采用的技术手段如下：

一种基于改进GA算法的目标识别模型优化方法，包括以下步骤：

步骤1：将超参数种群初始化并计算所述超参数种群的适应度；

步骤2：计算超参数选择概率算子；

步骤3：计算超参数组合交叉概率；基于GA算法模型适应度对超参数分量的相关程度，构造优化的交叉概率函数；

步骤4：为防止超参数优化过程陷入局部解，在执行超参数组选择交叉前，随机生成变异位，并引入变异概率p_m，参加变异的所有个体P；p_m＝1/P

(13)。

较现有技术相比，本发明具有以下优点：

本发明虑及超参数对模型精度的影响，引入遗传算法对超参数进行优化，基于模型适应度对超参数分量的相关程度，构造优化的交叉概率函数，可更大概率的生成优质超参数组，从而提高目标识别模型超参数的优化效率测量特性。

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以简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明改进GA算法的目标识别模型优化图。

图2为本发明基于传统和改进的遗传算法的超参数优化过程示意图。

其中，1为初代种群个体；2为随机选取的一个初代个体；3为选取与初代体相交叉的个体；4为超参数序列1；5为超参数序列2；6为改进后的GA算法适应度曲线；7为传统的GA算法适应度曲线；X轴为迭代次数，Y轴为适应度。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

如图1-2所示，本发明提供了一种基于改进GA算法的目标识别模型优化方法。如图1为改进GA算法的目标识别模型优化图，由超参数种群所组成，将其中任意两个超参数种群个体两两结合，其目的是寻找合适的超参数序列，从而选择最优解，分别在序列数为B，D，H上进行交叉变异从而得到合适的序列组。

图2为基于传统和改进的遗传算法的超参数优化过程示意图，由传统GA算法适应度曲线、改进GA算法适应度曲线组成；测量方法是随着迭代次数的增加，两曲线到达某一临界值趋于平稳状态，以此来判断和对比出传统GA算法和改进GA算法直接的差异。

本发明方法的具体步骤如下：

步骤1：将超参数种群初始化并计算所述超参数种群的适应度；在超参数范围内随机设置一组超参数：

Param_p＝(Param_p1,Param_p2,…Param_pq,Param_pQ) (14)

其中，Param_p表示超参数种群Pa ra中的第p组超参数，p＝(1,2,3,…,P),p为超参数种群的个数，q＝(1,2,3,…,Q)，q为一组超参数中的分量数量，则Param_pq表示第p组超参数中的第q个分量。

取P组超参数，构成超参数种群Param:

Param＝[Param₁,Param₂,…,Param_p,…,Param_P]^T (15)

为评估模型性能，采用四种目标识别领域经典评价指标：(1)精度pr，(2)召回率Re，(3)当交并比阈值IOU＝0.5时，精度pr的平均值AP，(4)当交并比阈值IOU取值从0.5至0.95，步长为0.05时，各AP的平均值为便于模型评价，设置各评价指标权重，并建立适应度函数：

其中，ω是模型评价权重，fitness_p是基于超参数Param_p的模型适应度，因此得出以下各组超参数下模型适应度：

表1各组超参数下模型适应度

则，超参数种群Param的适应度向量fitness可表示为：

fitness＝[fitness₁,fitness₂…,fitness_p,…,fitness_P]^T (17)

步骤2：计算超参数选择概率算子：

在种群中选择概率算子的作用是对个体进行优胜劣汰，本发明中采用以下公式对选择概率算子进行构造：

依据表1，选择概率算子计算值如表2所示：

表2选择概率算子计算值

依据选择概率算子Ps，选择两组超参数及其子代：

Param_j,Param_k,j≠k,and,j,k∈[1,P] (19)

Param_j＝(Param_j1,Param_j2,…Param_jq,Param_jQ) (20)

Param_k＝(Param_k1,Param_k2,…,Param_kq,Param_kQ) (21)

其中，Param_j,Param_k分别表示超参数种群Param中的第j,k组超参数，q＝(1,2,3,…,Q)，q表示一组超参数中的分量数量，则Param_jQ,Param_kQ分别表示第j,k组超参数中的第Q个分量

步骤3：计算超参数中各分量的交叉概率；基于目标识别模型适应度对超参数分量的相关程度，构造优化的交叉概率函数；

种群交叉过程中，传统GA算法需对Param_j和Param_k中对应分量进行随机交叉，生成新超参数组。由于交叉的随机性，超参数优化效率较低。因此，本发明基于模型适应度对超参数分量的相关程度，构造了优化的交叉概率函数。本发明中，以模型适应度向量fitness对超参数种群Param中各分量中位数的统计分布表征模型适应度对超参数分量的相关程度，则相关性函数可表示为：

其中，Param_～q由每个Param中的第q个分量组成，表示·的中值，c_q是模型适合度与第q个分量的相关性，其中正负分别表示正相关和负相关，因此，相关向量c可以进一步表示为：

c＝(c₁,c₂,…,c_q,…,c_Q) (23)

更进一步，对于一些超参数，如Param_j和Param_k j,k∈(1,2,…,P)，建立交叉概率函数为：

其中，Pc_jk为Param_j和Param_k中各分量的交叉概率向量，sgn(.)表示当(.)＞0或(.)＜0时，sgum函数分别等于+1或-1，代表按位相乘。

步骤4：种群更新变异；为防止超参数优化过程陷入局部解，在执行超参数组选择交叉前，随机生成变异位，并引入变异概率p_m，P表示超参数种群中的超参数的个数：

p_m＝1/P (25)

执行超参数组选择交叉后，计算新生成超参数组的模型适应度，并对原始种群进行择优替代。

基于传统GA和本发明中改进GA的超参数优化过程数据如表3，表4所示。

表3传统GA模型精度评估指标

表4基于改进GA的超参数优化过程中评估指标

迭代过程曲线如图2所示，当X轴所代表的迭代次数到达150次时改进GA算法达到第一次适应度平稳，当迭代次数到达170次时传统GA算法达到第一次适应度平稳；当X轴的迭代次数到达249次时，改进GA算法终止迭代，当迭代次数达到271次时传统GA算法终止迭代，由此可见，本发明所提方法可有效降低循环迭代次数，提高目标识别模型参

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (4)

1.一种基于改进GA算法的目标识别模型优化方法，其特征在于，包括以下步骤：

步骤1：将超参数种群初始化并计算所述超参数种群的适应度；

步骤2：计算超参数选择概率算子；

步骤3：计算超参数中各分量的交叉概率；基于目标识别模型适应度对超参数分量的相关程度，构造优化的交叉概率函数；

步骤4：为防止超参数优化过程陷入局部解，在执行超参数选择交叉前，随机生成变异位，并引入变异概率p_m，p_m＝1/P(12)，P表示超参数种群中超参数的个数。

2.根据权利要求1所述的一种基于改进GA算法的目标识别模型优化方法，其特征在于，所述步骤1中，还包括以下步骤：

步骤11：在超参数范围内随机设置一组超参数：

Param_p＝(Param_p1,Param_p2,…Param_pq,…Param_pQ) (1)；

其中，Param_p表示超参数种群Param中的第p组超参数，p＝(1,2,3,…,P)，P表示超参数种群的个数，q＝(1,2,3,…,Q)，q表示一组超参数中的分量数量，则Param_pq表示第p组超参数中的第q个分量；

步骤12：取p组超参数，构成超参数种群Param：

Param＝[Param₁,Param₂,…,Param_p,…,Param_P]^T (2)；

为评估模型性能，采用四种目标识别领域经典评价指标：(1)精度pr，(2)召回率Re，(3)当交并比阈值IOU＝0.5时，精度pr的平均值AP，(4)当交并比阈值IOU取值从0.5至0.95，步长为0.05时，各AP的平均值

步骤13：为便于模型评价，设置各评价指标权重，并建立适应度函数：

其中，ω表示模型评价权重，fitness_p表示基于超参数Param_p的模型适应度；则，超参数种群Param的适应度向量fitness表示为：

fitness＝[fitness₁,fitness₂…,fitness_p,…,fitness_P]^T(4)。

3.根据权利要求1所述的一种基于改进GA算法的目标识别模型优化方法，其特征在于，所述步骤2中，在种群中选择概率算子的作用是对个体进行优胜劣汰，采用以下公式对选择概率算子进行构造：

根据选择概率算子Ps，选择两组超参数及其子代：

Param_j,Param_k,j≠k,and,j,k∈[1,P](6)；

Param_j＝(Param_j1,Param_j2,…Param_jq,Param_jQ) (7)；

Param_k＝(Param_k1,Param_k2,…,Param_kq,Param_kQ) (8)；

其中，Param_j,Param_k分别表示超参数种群Param中的第j,k组超参数，q＝(1,2,3,…,Q)，q表示一组超参数中的分量数量，则Param_jQ,Param_kQ分别表示第j,k组超参数中的第Q个分量。

4.根据权利要求1所述的一种基于改进GA算法的目标识别模型优化方法，其特征在于，所述步骤3中，包括以下步骤：

步骤31：以模型适应度向量fitness对超参数种群Param中各分量中位数的统计分布表征模型适应度对超参数分量的相关程度，则相关性函数可表示为：

其中，Param_～q包括每个Param中的第q个分量，表示·的中值，c_q表示模型适应度与第q个分量的相关性，其中正负分别表示正相关和负相关，因此，相关向量c表示为：

c＝(c₁,c₂,…,c_q,…,c_Q) (10)

步骤31：对于超参数Param_j和Param_k j,k∈(1,2,…,P)，建立交叉概率函数为：

其中，Pc_jk表示Param_j和Param_k中各分量的交叉概率向量，sgn(.)表示当(.)＞0或(.)＜0时，sgn函数分别等于+1或-1，代表按位相乘。