[发明专利]模型训练方法、用户分类方法、装置、设备、介质及产品

权利要求书

1.一种用户分类模型训练方法，其特征在于，包括：

获取训练样本数据，采用训练样本数据及减法聚类算法计算RBF网络模型的隐节点数；所训练样本数据包括多个用户的分类指标数据；

采用训练样本数据及所述RBF网络模型的隐节点数确定对用户进行分类的径向基函数RBF网络模型对应的训练后的基函数中心及宽度；

计算RBF网络模型对应的初始连接权值，以获得初步训练后的RBF网络模型，所述初步训练后的RBF网络模型中包括训练后的基函数中心及宽度；

采用改进的粒子群算法对所述初步训练后的RBF网络模型中的初始连接权值进行优化，并将优化后的RBF网络模型确定为用户分类模型。

2.根据权利要求1所述的方法，其特征在于，所述采用训练样本数据及减法聚类算法计算RBF网络模型的隐节点数，包括：

对所述训练样本数据进行标准化处理；

采用标准化后的训练样本数据及减法聚类算法计算RBF网络模型的隐节点数。

3.根据权利要求2所述的方法，其特征在于，所述采用标准化后的训练样本数据及减法聚类算法计算RBF网络模型的隐节点数，包括：

采用减法聚类算法对所述标准化后的训练样本数据进行聚类，以确定所述标准化后的训练样本数据的聚类中心；

确定所述聚类中心的个数，并将所述聚类中心的个数确定为RBF网络模型的隐节点数。

4.根据权利要求2所述的方法，其特征在于，所述采用训练样本数据及所述RBF网络模型的隐节点数确定对用户进行分类的径向基函数RBF网络模型对应的训练后的基函数中心及宽度，包括：

根据所述RBF网络模型的隐节点数确定初始基函数中心；

采用模糊K-Prototypes算法及标准化后的训练样本数据更新所述初始基函数中心，以确定RBF网络模型的基函数中心；

根据基函数中心之间的距离确定基函数宽度。

5.根据权利要求4所述的方法，其特征在于，所述采用模糊K-Prototypes算法及标准化后的训练样本数据更新所述初始基函数中心，以确定RBF网络模型的基函数中心，包括：

采用模糊K-Prototypes算法计算标准化后的训练样本数据与初始基函数中心的相异度之和；

采用模糊K-Prototypes算法更新初始基函数中心以获得当前基函数中心，并计算标准化后的训练样本数据与当前基函数中心的当前相异度之和；

若所述当前相异度之和与上一相异度之和之差的绝对值大于误差限，则更新当前聚类中心；

若所述当前相异度之和与上一相异度之和之差的绝对值小于或等于误差限，则将当前聚类中心确定为RBF网络模型的基函数中心。

6.根据权利要求1所述的方法，其特征在于，所述采用改进的粒子群算法对所述初步训练后的RBF网络模型中的初始连接权值进行优化，包括：

将训练样本数据输入粒子群中各粒子对应的初步训练后的RBF网络模型中，以获取各粒子对应的均方误差；所述粒子群由多个粒子组成，所述粒子群中的各粒子对应不同的连接权值；

若各粒子对应的均方误差中不存在小于预设均方误差阈值的均方误差，则更新粒子群中各粒子并计算各更新后的粒子对应的均方误差；

若各粒子对应的均方误差中存在小于预设均方误差阈值的均方误差，则确定该均方误差对应粒子，将该粒子所对应的连接权值确定为最优连接权值，将最优连接权值映射为初步训练后的RBF网络模型中的连接权值，形成优化后的RBF神经网络。

7.一种用户分类方法，其特征在于，包括：

获取待分类用户的分类指标数据；

将所述分类指标数据输入用户分类模型中以对待分类用户进行分类，并获得输出的对该用户的分类结果；所述用户分类模型为通过权利要求1-7中任一项所述的用户分类模型训练方法得到的。