[发明专利]基于增强聚类的机器学习算法及该算法的应用

说明书

技术领域

本发明涉及人工智能领域，具体涉及一种基于增强聚类的机器学习算法及该算法的应用。

背景技术

机器学习是数据科学的核心，是现代人工智能的本质，它的主要目的是从数据中挖掘出有价值、有意义的信息。机器学习的策略包括分析学习、类比学习、归纳学习、联接学习、增强学习等多种类型。其中，增强学习的机制是通过与环境的试探性交互获取某种强化信号，作为对系统行为的一种奖惩，在不断的序列优化中获得最优的结果。按照学习形式，机器学习可分为有监督学习和无监督学习，无监督学习着重于发现数据本身的特点，用于处理未被标记的模板集。数据聚类是无监督学习的主流方法之一。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。

发明内容

本发明的目的在于提出一种新的基于增强聚类的机器学习算法，其基本机制是通过与环境的不断交互，获得增强信号作为指导数据聚类的基础，最终获得最适应环境的种群。该算法具有易于实施、可应用领域广泛、鲁棒性强等优点，可以广泛应用图像、文本、音频等基础数据的实时在线优化，在数据不断积累中获得优化的特征模板。

为实现上述目的，本发明所采用的技术方案是一种基于增强聚类的机器学习算法，至少包括以下步骤：

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。

本发明机器学习算法一个优选方案中，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。

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。

通过淘汰掉的特征模板中随机抽取一定数量的特征模板，与符合要求的特征模板共同组成新的特征模板组，降低了随机因素对算法的影响，进一步提高了算法精度。

本发明机器学习算法的另一个优选方案为：在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)。