[發明專利]分類器生成方法、裝置、存儲介質及電子設備

在審

• 申請號: 202011482638.5
• 申請日: 2020-12-15
• 公開（公告）號: CN112508116A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 劉芷寧;常毅
• 申請（專利權）人: 吉林大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京恒博知識產權代理有限公司 11528
• 代理人: 張曉芳

1.一種分類器生成方法，其特征在于，所述方法包括：

獲取第n個集成分類器和第n個數據子集；其中，n為大于0的整數；

通過所述第n個集成分類器對所述第n個數據子集進行處理得到第n個元狀態參數；其中，所述第n個數據子集包括第n個訓練集和第n個驗證集；

通過元采樣器對所述第n個元狀態參數進行處理得到第n個采樣權重；

基于所述第n個采樣權重生成第n+1個數據子集；

將訓練后的第n+1個基分類器與所述第n個集成分類器進行組合得到第n+1個集成分類器；

在n+1大于閾值時，將所述第n+1個集成分類器作為目標集成分類器；

在n+1小于或等于閾值時，繼續進行迭代。

2.根據權利要求1所述方法，其特征在于，所述通過所述第n個集成分類器所述對第n個數據子集進行處理得到第n個元狀態參數，包括：

通過所述第n個集成分類器對所述第n個訓練集進行處理得到訓練誤差特征；

通過所述第n個集成分類器對所述第n個驗證集進行處理得到驗證誤差特征；

根據所述訓練誤差特征和所述驗證誤差特征計算得到第n個元狀態參數。

3.根據權利要求2所述方法，其特征在于，所述通過所述第n個集成分類器對所述第n個訓練集進行處理得到訓練誤差特征，包括：

根據如下公式計算訓練誤差特征分量：

其中，表示所述訓練誤差特征的第i個分量，b為預設參數，(x,y)表示一個數據實例，F_t表示第t個集成分類器，t為大于0的整數，D為數據集，|·|運算符表示范數運算，abs()表示取絕對值；

根據所有的訓練誤差特征分量確定所述訓練誤差特征。

4.根據權利要求1所述方法，其特征在于，所述通過元采樣器對所述第n個元狀態參數進行處理得到第n個采樣權重，包括：

通過元采樣器對所述第n個元狀態參數進行計算得到采樣參數μ；其中，所述采樣參數μ大于等于0小于等于1；

將所述采樣參數作為高斯函數的期望值確定一維高斯函數；

基于所述一維高斯函數計算數據集中各數據類型的第n個采樣權重。

5.根據權利要求1所述方法，其特征在于，所述基于所述第n個采樣權重生成第n+1個數據子集，包括：

確定數據集中各數據類型的第n個采樣權重；

基于所述各數據類型的第n個采樣權重確定各數據類型的采樣數量；

獲取所述采樣數量的各數據類型并進行組合得到第n+1個數據子集。

6.根據權利要求1所述方法，其特征在于，對元采樣器進行參數更新，包括：

獲取所述數據集中的驗證集；

通過性能評價函數計算所述第n個集成分類器與所述驗證集的第一評價系數；

通過性能評價函數計算所述第n+1個集成分類器與所述驗證集的第二評價系數；

計算所述第一評價系數與所述第二評價系數的差值得到泛化性能系數；

基于所述泛化性能系數對所述元采樣器進行參數更新。

7.根據權利要求6所述方法，其特征在于，所述對所述元采樣器進行參數更新為使用強化學習Soft Actor-Critic算法。