[发明专利]基于增强聚类的机器学习算法及该算法的应用

权利要求书

1.一种基于增强聚类的机器学习算法，所述算法至少包括下述步骤：

S1、分析目标对象的基础数据的特征，随机编写N个特征模板，其中，每个特征模板可将基础数据划分为符合该特征模板的数据和不符合该特征模板的数据；

S2、应用步骤S1编写的N个特征模板，在工作环境下依次对在线获得的数据进行分类测试；

S3、统计分类测试结果，得到每一个特征模板分类的成功率，并预设分类的失败标准为分类失败率n％；计算所有特征模板匹配成功率的平均值x_mean与最大值x_max，以及最大值与平均之差为x_d；

若x_d不大于n％，则认为N个特征模板分类水平一致，均能达到目标要求，则至S7；

若x_d大于n％，则依次计算成功率最大值x_max与其余各特征模板成功率之间的距离Δx1，若Δx1＜x_d，则将对应的特征模板作为较好的特征模板子集，并形成待测试特征模板集合；反之则淘汰该特征模板；

S4、针对步骤S3产生的测试特征模板集合，在工作环境下依次对在线获得的数据进行分类测试；

S5、统计分类测试结果，得到每一个特征模板分类的成功率，计算所有特征模板匹配成功率的平均值x_mean与最大值x_max，以及最大值与平均之差为x_d；

若x_d不大于n％，则认为N个特征模板分类水平一致，均能达到目标要求，则至S7；

若x_d大于n％，则依次计算成功率最大值x_max与其余各特征模板成功率之间的距离Δx2，若Δx2＜x_a，其中x_a不大于x_d，则将对应的特征模板作为较好的特征模板子集，并形成待测试特征模板集合；反之则淘汰该特征模板；

S6、重复步骤S4和S5，直到达到预设的分类成功率阈值；

S7、机器学习过程结束，并选取N个特征模板中成功率最高者作为最优的特征识别方案。

2.如权利要求1所述的基于增强聚类的机器学习算法，其特征在于，S3的方法还包括：

从淘汰的特征模板子集中随机抽取z个的特征模板，与较好的特征模板子集组合形成待测试特征模板集合。

3.如权利要求1所述的基于增强聚类的机器学习算法，其特征在于，S5的方法还包括：

从淘汰的特征模板子集中随机抽取z个的特征模板，与较好的特征模板子集组合形成新的待测试特征模板集合。

4.如权利要求1所述的基于增强聚类的机器学习算法，其特征在于，S3中，对匹配成功率的平均值x_mean与最大值x_max求差值x_d时，所得差值x_d采用向上取整法，即当差值x_d为非整数时，则将其小数位省略掉，整数位向上进“1”；

其计算公式为：

x_d＝RoundUp(x_max-x_mean)。

5.如权利要求1所述的基于增强聚类的机器学习算法，其特征在于，S5中，所述Δx2＜x_a中，x_a＝x_d/2。

6.如权利要求1所述的基于增强聚类的机器学习算法，其特征在于，S3中分类失败率n％的预设是根据工作环境的实际情况和需求进行预设的。

7.如权利要求1所述的基于增强聚类的机器学习算法，其特征在于，S1中选择特征模板是无需进行标记的。

8.如权利要求1所述的基于增强聚类的机器学习算法，其特征在于，S1中目标对象的基础数据包括文本、图像和音频。

9.如权利要求1所述的基于增强聚类的机器学习算法，其特征在于，所述特征模板的数量N为10-30。

10.一种基于增强聚类的机器学习算法的应用，其特征在于，所述基于增强聚类的机器学习算法可应用于工业产品图像的视觉识别、文本数据的数据分析或者音频文件的特征提取。