[發明專利]一種融合無監督學習和監督學習的反饋式分類方法

在審

• 申請號: 201910510414.1
• 申請日: 2019-06-13
• 公開（公告）號: CN110427958A
• 公開（公告）日: 2019-11-08
• 發明（設計）人: 李剛;張政儒;許仕杰;蔣永華;焦衛東
• 申請（專利權）人: 浙江師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 麗水創智果專利代理事務所(普通合伙) 33278
• 代理人: 張玲利

1.一種融合無監督學習和監督學習的反饋式分類方法，其特征在于：包括以下步驟：

步驟一，選取適當的特征作為原始特征集合，通過無監督學習對原始特征集合進行分類，獲得帶標簽信息的分類結果；

步驟二，將分類結果隨機均分為訓練組和對照組，訓練組作為監督學習的輸入，同時采用特征選擇算法，使監督學習的分類準確率最高，并獲得對應的特征子集；

步驟三，重構對照組特征集合，即依據特征子集所包含的特征類別提取對照組特征集合相對應的特征子集，并將重構后的對照組特征集合作為訓練組獲得的監督學習模型的輸入，計算其分類準確率；

步驟四，通過設定分類準確率閾值作為迭代的終止條件，若計算得到分類準確率高于預設閾值，則終止迭代，獲得優化的分類結果，否則重構原始特征集合，并依次進行迭代，直到分類準確率達到預設閾值。

2.根據權利要求1所述的融合無監督學習和監督學習的反饋式分類方法，其特征在于：步驟一所述的無監督學習可以選擇基于模糊等價關系的系統聚類法或基于模糊劃分的逐步聚類法。

3.根據權利要求1所述的融合無監督學習和監督學習的反饋式分類方法，其特征在于：所述特征選擇算法可以選擇序列浮動前向選擇算法或序列浮動后向選擇算法。

4.根據權利要求1所述的融合無監督學習和監督學習的反饋式分類方法，其特征在于：所述監督學習可以是神經網絡分類器、支持向量機、貝葉斯分類器或決策樹。

5.根據權利要求1~4中任一項所述的融合無監督學習和監督學習的反饋式分類方法，其特征在于：步驟一中的原始特征集合可先通過主成分分析進行精煉，然后作為無監督學習的輸入進行分類。