[发明专利]一种数据分类方法、系统、设备及信息数据处理终端

权利要求书

1.一种数据分类方法，其特征在于，所述数据分类方法包括以下步骤：

步骤一，将每个数据集划分为两个子集：训练集和测试集，随机选择其中75％的数据作为训练集，剩余25％的数据作为测试集，并将所有数据的特征属性值归一化为[-1,1]之间的数；

步骤二，初始化单隐层前馈神经网络SLFN的结构和部分网络参数，包括隐层神经元的状态、输入权值和隐层偏置，并计算最优输出权值；

步骤三，评估生成的染色体的适应度函数值；

步骤四，通过基于极限学习机的协同遗传算法CGA-ELM同时优化网络结构和连接参数，得到最优解作为最终的单隐层前馈神经网络；

步骤五，使用测试集测试网络性能，输出平均分类准确率。

2.如权利要求1所述的数据分类方法，其特征在于，步骤二中，所述初始化单隐层前馈神经网络的结构和部分网络参数，并计算最优输出权值，包括：

将所有参数编码到一个染色体中，每个染色体都包含了一个隐层神经元状态的二进制向量Θ＝[θ₁,θ₂,…,θ_K]∈R^K，输入权值向量和隐层偏置向量B＝[b₁,b₂,…,b_K]∈R^K；所有参数都是随机产生的，Ω和B中的元素位于区间[-1,1]，而Θ中的元素只有两个取值：0或1，取值为1时表示相应的隐层神经元被激活，取值为0表示相应的隐层神经元不被激活，所述染色体表示为：

X_i(G)＝[Θ_i(G),Ω_i(G),B_i(G)]^T；

其中X_i(G)是第G代的第i个染色体；种群表示为：

P_G＝[X₁(G),X₂(G),…,X_Pop(G)]；

其中，Pop是种群规模，种群P_G中的每个染色体包含一个K维的二进制向量和一个(N+1)×K维的实数向量，因此每个染色体的维数是D＝(N+2)×K。

3.如权利要求1所述的数据分类方法，其特征在于，步骤三中，所述评估生成的染色体的适应度函数值，包括：

网络的训练误差定义为：

其中，t_i,j是网络的期望输出，o_i,j是网络的实际计算输出，M_tr是训练数据的数量，L是输出神经元的个数。

网络的复杂度定义为：

其中，θ_i∈{0,1}是第i个隐层神经元的激活状态。

在适应度函数的计算中，同时考虑训练误差和网络复杂度：

Fitness(X)＝λ×f₁+(1-λ)×f₂；

其中，λ∈(0,1)是权重系数，优化的目标是最小化这个适应度函数，并且适应度值越小，表明染色体越好。

适应度函数值的计算步骤如下：

(1)染色体X被分为一个K维二进制向量和一个(D-K)维实数向量；

(2)通过二进制向量确定SLFN的结构，通过实数向量确定SLFN的输入权值和隐层神经元偏置；

(3)对于给定的训练集，计算相应的SLFN的输出权值；

(4)计算训练误差f₁，同时计算网络复杂度f₂；

(5)计算染色体的适应度函数值Fitness(X)。