[發明專利]態勢要素分類方法及其模型的訓練方法、裝置及服務器

在審

• 申請號: 201911057313.X
• 申請日: 2019-10-31
• 公開（公告）號: CN110826617A
• 公開（公告）日: 2020-02-21
• 發明（設計）人: 李欣;孫海春;段詠程
• 申請（專利權）人: 中國人民公安大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/12
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 張磊

1.一種態勢要素分類模型的訓練方法，其特征在于，包括：

基于預設的訓練集合確定當前的訓練數據組；所述訓練數據組包括多個訓練數據；

將所述訓練數據組中的訓練數據輸入至預先建立的初始分類器中，得到各個訓練數據對應的分類結果；

根據預先獲取的所述訓練數據的類別及所述分類結果，確定所述初始分類器的分類準確率；

根據所述分類準確率及預設的優化算法對所述初始分類器的預設參數進行優化；

繼續執行基于預設的訓練集合確定當前的訓練數據組，直至所述分類準確率收斂，得到態勢要素分類模型。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

獲取原始訓練數據集合；所述原始訓練數據集合包括多個態勢要素數據；

對所述態勢要素數據進行預處理；

采用預設的簡化算法對預處理后的態勢要素數據進行簡化處理，得到所述訓練集合；所述訓練集合中態勢要素數據的數量不大于所述原始訓練數據集合中態勢要素數據的數量。

3.根據權利要求2所述的方法，其特征在于，所述簡化算法包括線性判別式分析算法；

采用預設的簡化算法對預處理后的態勢要素數據進行簡化處理，得到所述訓練集合的步驟，包括：

采用線性判別式分析算法對預處理后的態勢要素數據進行降維處理，得到訓練集合。

4.根據權利要求1所述的方法，其特征在于，所述初始分類器包括XGboost分類器；所述預設參數包括學習率、最大樹深、最小葉子權重及最小損失函數下降值。

5.根據權利要求4所述的方法，其特征在于，所述優化算法包括量子遺傳算法；

根據所述分類準確率及預設的優化算法對所述初始分類器的預設參數進行優化的步驟，包括：

將所述分類準確率作為所述量子遺傳算法的適應度參數；

通過所述量子遺傳算法對當前的XGboost分類器的學習率、最大樹深、最小葉子權重及最小損失函數下降值進行更新，得到更新后的XGboost分類器。

6.一種態勢要素分類方法，其特征在于，包括：

獲取原始態勢要素數據集合；所述原始態勢要素數據集合包括多個待分類的原始態勢要素數據；

對所述原始態勢要素數據進行預處理；

采用預設的簡化算法對預處理后的原始態勢要素數據進行簡化處理；

通過預先訓練得到的態勢要素分類模型對簡化處理后的各個原始態勢要素數據進行分類處理，得到分類結果；所述態勢要素分類模型通過權利要求1-5任一項所述的方法建立。

7.一種態勢要素分類模型的訓練裝置，其特征在于，包括：

訓練數據確定模塊，用于基于預設的訓練集合確定當前的訓練數據組；所述訓練數據組包括多個訓練數據；

第一分類模塊，用于將所述訓練數據組中的訓練數據輸入至預先建立的初始分類器中，得到各個訓練數據對應的分類結果；

分類準確率確定模塊，用于根據預先獲取的所述訓練數據的類別及所述分類結果，確定所述初始分類器的分類準確率；

參數優化模塊，用于根據所述分類準確率及預設的優化算法對所述初始分類器的預設參數進行優化；繼續執行基于預設的訓練集合確定當前的訓練數據組，直至所述分類準確率收斂，得到態勢要素分類模型。

8.一種態勢要素分類裝置，其特征在于，包括：

原始數據獲取模塊，用于獲取原始態勢要素數據集合；所述原始態勢要素數據集合包括多個待分類的原始態勢要素數據；

預處理模塊，用于對所述原始態勢要素數據進行預處理；

簡化處理模塊，用于采用預設的簡化算法對預處理后的原始態勢要素數據進行簡化處理；

第二分類模塊，用于通過預先訓練得到的態勢要素分類模型對簡化處理后的各個原始態勢要素數據進行分類處理，得到分類結果；所述態勢要素分類模型通過權利要求1-5任一項所述的方法建立。