[發(fā)明專利]基于分類互斥性的損失函數(shù)計(jì)算方法、電子設(shè)備、介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201811033060.8
• 申請(qǐng)日: 2018-09-05
• 公開（公告）號(hào): CN109447102A
• 公開（公告）日: 2019-03-08
• 發(fā)明（設(shè)計(jì)）人: 馬瑞;丁志祿
• 申請(qǐng)（專利權(quán)）人: 浙江長(zhǎng)興笛卡爾科技有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 廣州市越秀區(qū)哲力專利商標(biāo)事務(wù)所(普通合伙) 44288
• 代理人: 胡擁軍;糜婧

本發(fā)明提供基于分類互斥性的損失函數(shù)計(jì)算方法，包括步驟：對(duì)原始數(shù)據(jù)集通過分類器進(jìn)行分類，得到分類結(jié)果概率矩陣；通過損失函數(shù)計(jì)算分類結(jié)果概率矩陣中每一分類概率向量的損失，得到總體損失；通過互斥懲罰項(xiàng)計(jì)算方法計(jì)算分類結(jié)果概率矩陣中每一數(shù)據(jù)分類概率對(duì)應(yīng)的互斥懲罰項(xiàng)，得到總體互斥懲罰項(xiàng)；將總體損失中每一分類概率向量對(duì)應(yīng)的損失與總體互斥懲罰項(xiàng)中每一分類概率向量對(duì)應(yīng)的互斥懲罰項(xiàng)進(jìn)行整合。本發(fā)明涉及電子設(shè)備與可讀存儲(chǔ)介質(zhì)，用于執(zhí)行上述方法；本發(fā)明通過互斥懲罰項(xiàng)的加入，對(duì)計(jì)算結(jié)果相對(duì)互斥分類結(jié)果優(yōu)勢(shì)不明顯的分類給予更高的懲罰，讓分類器更好的將互斥的類別分離開，提高了機(jī)器學(xué)習(xí)中分類任務(wù)的準(zhǔn)確性和可靠性。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)科學(xué)技術(shù)領(lǐng)域，尤其涉及基于分類互斥性的損失函數(shù)計(jì)算方法、電子設(shè)備、介質(zhì)。

背景技術(shù)

人工智能(ArtificialIntelligence，AI)，是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專家系統(tǒng)等。人工智能算法的多分類任務(wù)中，計(jì)算的分類結(jié)果的概率相對(duì)互斥分類結(jié)果的概率優(yōu)勢(shì)不明顯，無法讓分類器更好的將互斥的類別分離開來，使得機(jī)器學(xué)習(xí)中分類任務(wù)的準(zhǔn)確性和可靠性低。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的之一在于提供基于分類互斥性的損失函數(shù)計(jì)算方法，解決了人工智能算法的多分類任務(wù)中，計(jì)算的分類結(jié)果的概率相對(duì)互斥分類結(jié)果的概率優(yōu)勢(shì)不明顯，無法讓分類器更好的將互斥的類別分離開來，使得機(jī)器學(xué)習(xí)中分類任務(wù)的準(zhǔn)確性和可靠性低的問題。

本發(fā)明提供基于分類互斥性的損失函數(shù)計(jì)算方法，包括以下步驟：

數(shù)據(jù)分類，對(duì)原始數(shù)據(jù)集通過分類器進(jìn)行分類，得到分類結(jié)果概率矩陣；

計(jì)算損失，通過損失函數(shù)計(jì)算所述分類結(jié)果概率矩陣中每一分類概率向量的損失，得到總體損失；

計(jì)算互斥懲罰項(xiàng)，通過互斥懲罰項(xiàng)計(jì)算方法計(jì)算所述分類結(jié)果概率矩陣中每一數(shù)據(jù)分類概率對(duì)應(yīng)的互斥懲罰項(xiàng)，得到總體互斥懲罰項(xiàng)；

損失重構(gòu)，將所述總體損失中每一所述分類概率向量對(duì)應(yīng)的損失與所述總體互斥懲罰項(xiàng)中每一所述分類概率向量對(duì)應(yīng)的互斥懲罰項(xiàng)進(jìn)行整合，得到帶互斥懲罰項(xiàng)的損失函數(shù)。

進(jìn)一步地，所述數(shù)據(jù)分類中具體包括以下步驟：

將所述原始數(shù)據(jù)集表示為數(shù)據(jù)集向量，所述數(shù)據(jù)集向量公式如下：

其中，S為數(shù)據(jù)集向量，g為數(shù)據(jù)集向量S中數(shù)據(jù)個(gè)數(shù)，S_i為數(shù)據(jù)集向量S中第i個(gè)數(shù)據(jù)，S_i的公式如下：

其中，f_j為S_i中第j個(gè)特征；

采用分類算法對(duì)數(shù)據(jù)集向量S進(jìn)行分類，得到分類結(jié)果概率矩陣，公式如下：

其中，CA為分類算法，Parameter為CA中需要訓(xùn)練的參數(shù)，S為數(shù)據(jù)集向量，P為分類結(jié)果概率矩陣，為第g個(gè)數(shù)據(jù)屬于第n類的概率。

進(jìn)一步地，所述計(jì)算損失中具體包括以下步驟：

獲取所述分類結(jié)果概率矩陣中第i個(gè)數(shù)據(jù)對(duì)應(yīng)的分類概率向量，具體公式如下：

通過損失函數(shù)計(jì)算第i個(gè)數(shù)據(jù)對(duì)應(yīng)的分類概率向量的損失，具體公式如下：