[發(fā)明專利]基于決策樹準確率和相關(guān)性度量的信號隨機森林分類方法、系統(tǒng)及裝置

在審

• 申請?zhí)枺?/td>: 202110080937.4
• 申請日: 2021-01-21
• 公開（公告）號: CN112836731A
• 公開（公告）日: 2021-05-25
• 發(fā)明（設(shè)計）人: 王國濤;孫志剛;高亞杰;李超然;梁曉雯
• 申請（專利權(quán)）人: 黑龍江大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 代理公司: 哈爾濱市松花江專利商標事務(wù)所 23109
• 代理人: 時起磊

1.基于決策樹準確率和相關(guān)性度量的信號隨機森林分類方法，其特征在于，包括以下步驟：

Step 1：在密封電子設(shè)備/密封電子元器的信號數(shù)據(jù)集中選出3組數(shù)量相等的帶標簽的數(shù)據(jù)集，作為每棵決策樹模型建立之后分類準確率預測的測試集；

所述的密封電子設(shè)備/密封電子元器的信號包括多余物信號與組件信號；

Step 2：確定基分類器個數(shù)N和特征子集中特征的個數(shù)，在剩余數(shù)據(jù)集中采用Bagging算法有放回的進行N+m*N次采樣，建立決策樹；

Step 3：用3組預留的數(shù)據(jù)集分別對每棵決策樹進行驗證，記錄每組數(shù)據(jù)集的分類準確率其中i＝1,…,N+m*N，表示第棵決策樹，j＝1,2,3表示第棵樹的第組數(shù)據(jù)集；

Step 4：計算第i棵決策樹的準確率

Step 5：將所有決策樹按分類準確率降序排序；

Step 6：將3組數(shù)量相等的帶標簽的數(shù)據(jù)集中的一個數(shù)據(jù)集作為確定的數(shù)據(jù)集，針對確定的數(shù)據(jù)集，采用向量內(nèi)積方法計算并保存決策樹之間的內(nèi)積數(shù)值，并使用網(wǎng)格搜索算法尋找內(nèi)積閾值n；將向量內(nèi)積小于等于內(nèi)積閾值的決策樹保留；

針對向量內(nèi)積高于內(nèi)積閾值的決策樹，將計算向量內(nèi)積的每一對決策樹中分類準確率低的決策樹標記為可刪除；

Step 7：按照分類準確率從低到高依次刪除被標記為可刪除的決策樹，直到剩下的決策樹數(shù)量為N；如果被標記可刪除的決策樹都刪除以后，決策樹量還大于N，則在保留的決策樹中，繼續(xù)按照分類準確率從低到高依次刪除決策樹，直到剩余決策樹數(shù)量為N；

Step 8：采用最終的分類器投票決定最終的分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于決策樹準確率和相關(guān)性度量的信號隨機森林分類方法，其特征在于，在Step 6中采用向量內(nèi)積方法計算并保存決策樹之間的內(nèi)積數(shù)值的公式如下：

其中，D1、D2為進行向量內(nèi)積的兩個決策樹；w_1i、w_2i為進行向量內(nèi)積的兩個決策樹的內(nèi)部向量。

3.根據(jù)權(quán)利要求2所述的基于決策樹準確率和相關(guān)性度量的信號隨機森林分類方法，其特征在于，所述的內(nèi)積閾值為決策樹之間的內(nèi)積數(shù)值的平均數(shù)或者中位數(shù)。

4.根據(jù)權(quán)利要求1、2或3所述的基于決策樹準確率和相關(guān)性度量的信號隨機森林分類方法，其特征在于，預設(shè)的比例數(shù)m取值為0.1-0.15。

5.根據(jù)權(quán)利要求4所述的基于決策樹準確率和相關(guān)性度量的信號隨機森林分類方法，其特征在于，預設(shè)的比例數(shù)m為0.1。

6.基于決策樹準確率和相關(guān)性度量的信號隨機森林分類系統(tǒng)，用于權(quán)利要求1至5之一所述的執(zhí)行基于決策樹準確率和相關(guān)性度量的信號隨機森林分類方法。

7.基于決策樹準確率和相關(guān)性度量的信號隨機森林分類裝置，用于存儲和/或運行權(quán)利要求6所述的基于決策樹準確率和相關(guān)性度量的信號隨機森林分類系統(tǒng)。