[發明專利]一種分類方法、計算機設備和計算機可讀存儲介質

在審

• 申請號: 202210122530.8
• 申請日: 2022-02-09
• 公開（公告）號: CN114491042A
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 李劍鋒
• 申請（專利權）人: 武漢路特斯汽車有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06K9/62;G06N20/00
• 代理公司: 北京智匯東方知識產權代理事務所(普通合伙) 11391
• 代理人: 趙燕燕

1.一種分類方法，其特征在于，在確定待分類樣本j的預測結果需要修正后，按照以下方法對所述待分類樣本j的預測結果進行修正：

獲取待分類樣本j的概率分布P^(j)以及驗證集中高置信度部分的概率分布P⁽¹⁾、P⁽²⁾、...、P⁽ⁿ⁾；

按照以下公式對所述待分類樣本j進行行間標準化計算：

l∈{1,2,...,n}∪{j}，為從訓練集中獲得的類別先驗分布；

將行間標準化后得到的待分類樣本j的概率分布按照以下公式進行行內標準化計算：

將行內標準化后得到的待分類樣本j的概率分布作為所述待分類樣本j的新的概率值返回以再次判斷所述待分類樣本j屬于哪一類別。

2.根據權利要求1所述的分類方法，其特征在于，所述獲取待分類樣本j的概率分布P^(j)以及驗證集中高置信度部分的概率分布P⁽¹⁾、P⁽²⁾、...、P⁽ⁿ⁾的步驟中，所述驗證集的所述高置信度部分的確定方法包括如下步驟：

獲取所述驗證集中的各個驗證集樣本的概率值；

對各個驗證集樣本的概率值由大至小排序，并取前k個概率值；

從所述k個概率值中選擇概率之和大于預設閾值ncs1的若干個概率值p₁、p₂、...、p_nsc；

按照以下公式求和歸一化得到

其中1≤i≤ncs；

按照以下公式計算熵值H_top-ncs(p)：

按照以下公式計算獲得不確定性指標HL：

其中，的取值如下：

其中，nsc1和nsc2均為可調參數；

將所述不確定性指標HL與預設閾值t比較，將所述不確定性指標HL小于所述預設閾值t的驗證集作為高置信度部分，其他部分作為低置信度部分。

3.根據權利要求2所述的分類方法，其特征在于，從所述k個概率值中選擇概率之和大于預設閾值ncs1的若干個概率值p₁、p₂、...、p_nsc的步驟中，當p₁、p₂、...、p_k的和小于所述預設閾值ncs1時，選擇全部的概率值p₁、p₂、...、p_k。

4.根據權利要求3所述的分類方法，其特征在于，確定待分類樣本j的預測結果需要修正的方法，包括如下步驟：

計算待分類樣本j的不確定性指標；

將所述待分類樣本j的所述不確定性指標與所述預設閾值t進行比較；

在所述待分類樣本j的所述不確定性指標大于或等于所述預設閾值t時，確定需要對所述待分類樣本j的預測結果進行修正。

5.根據權利要求1所述的分類方法，其特征在于，按照如下公式計算獲得所述

其中，n為所述驗證集中的n個待驗證樣本。

6.根據權利要求1-5中任一項所述的分類方法，其特征在于，還包括獲取深度學習模型的步驟，所述深度學習模型的獲取方法包括如下步驟：

獲取多個數據樣本和各個數據樣本的標簽，并將所述多個數據樣本和對應的標簽組成數據集；

將所述數據集按照預設比例劃分為訓練集和驗證集；

根據業務需求選擇初始深度學習模型；

將所述訓練集中的數據樣本和對應的標簽輸入所述初始深度學習模型；

訓練所述初始深度學習模型，更新所述初始深度學習模型內部的參數權重，學習所述訓練集中的數據樣本的標簽知識；

基于更新好的參數權重，得到深度學習模型。