[发明专利]基于信息混合的半监督学习方法及半监督学习装置

权利要求书

1.一种基于信息混合的半监督学习方法，其特征在于，所述方法包括：

基于标记数据集对预设深度学习模型进行训练，获得初始分类模型；

基于所述标记数据集和未标记数据集训练生成对应的自编码网络；

基于所述初始分类模型对所述未标记数据集进行分析，生成第一标签信息，以及基于所述自编码网络对所述未标记数据集进行分析，生成第二标签信息；

基于所述第一标签信息和所述第二标签信息生成所述未标记数据集的混合标签信息；

基于所述未标记数据集、所述混合标签信息以及所述标记数据集对所述初始分类模型进行训练，生成对应的半监督学习模型。

2.根据权利要求1所述的方法，其特征在于，所述自编码网络包括编码器和解码器，所述基于所述自编码网络对所述未标记数据集进行分析，生成第二标签信息，包括：

基于所述编码器对所述标记数据集进行处理，获得所述标记数据集中每张图像的第一低维特征信息，所述第一低维特征信息与不同类别相对应；

基于预设聚类算法确定不同类别的中心点；

基于所述编码器对所述未标记数据集进行处理，获得所述未标记数据集中每张图像的第二低维特征信息；

计算确定所述第二低维特征信息与不同中心点之间的距离；

基于所述距离确定所述未标记数据集中每张图像属于不同类别的第二概率信息；

基于所述第二概率信息生成所述第二标签信息。

3.根据权利要求1所述的方法，其特征在于，所述基于所述第一标签信息和所述第二标签信息生成所述未标记数据集的混合标签信息，包括：

基于所述初始分类模型对预设验证数据集进行分析，生成第一分析结果，基于所述自编码网络对所述预设验证数据集进行分析，生成第二分析结果；

基于所述预设验证数据集的数据标签确定所述第一分析结果的第一分析准确率，以及确定所述第二分析结果的第二分析准确率；

基于所述第一分析准确率和所述第二分析准确率生成所述第一标签信息的第一权重值以及所述第二标签信息的第二权重值；

基于所述第一权重值、所述第一标签信息、所述第二权重值以及所述第二标签信息执行混合处理，生成混合后信息；

基于所述预设归一化规则对所述混合后信息进行处理，生成所述未标记数据集的混合标签信息。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在生成所述半监督学习模型之后，获取所述半监督学习模型的损失函数；

基于所述损失函数对所述半监督学习模型执行周期性识别效果验证，生成验证结果；

在所述验证结果为识别效果不满足预设效果的情况下，基于第一时间周期生成单位时间窗口，获取与至少一个单位时间窗口对应的至少一个窗口数据集；

基于所述至少一个窗口数据集生成至少一个新的混合标签信息；

基于所述至少一个新的混合标签信息对所述半监督学习模型进行迭代训练，生成迭代后模型，将所述迭代后模型作为新的半监督学习模型。

5.根据权利要求4所述的方法，其特征在于，所述基于所述损失函数对所述半监督学习模型执行周期性识别效果验证，生成验证结果，包括：

判断当前时刻与生成所述半监督学习模型的时刻之间是否达到第二时间周期；

若是，获取在前一单位时间窗口内输入所述半监督学习模型的在先窗口数据集；

对所述在先数据集进行标记，生成在先标记数据集；

基于所述损失函数和所述在先标记数据集判断所述半监督学习模型的学习效果是否满足预设效果；

基于判断结果生成针对半监督学习模型的识别效果的验证结果。