[发明专利]一种管理多种同质类智能算法协同工作提升准确率的方法

权利要求书

1.一种管理多种同质类智能算法协同工作提升准确率的方法，其特征在于，包括以下步骤：

步骤1，获取训练图像集，方法为：

步骤1.1，安装m个抓拍机，分别表示为：抓拍机c₁,抓拍机c₂,...,抓拍机c_m；m个抓拍机形成抓拍机群；各个抓拍机的拍摄姿态固定不变；

步骤1.2，设置a个对象，分别表示为：对象obj₁,对象obj₂,...,对象obj_a；

抓拍机c₁对对象obj₁进行拍摄，得到图像image₁₁；抓拍机c₂对对象obj₁进行拍摄，得到图像image₂₁，依此类推，抓拍机c_m对对象obj₁进行拍摄，得到图像image_m1；由此形成图像组image₁＝[image₁₁,image₂₁,...,image_m1]；

抓拍机c₁对对象obj₂进行拍摄，得到图像image₁₂；抓拍机c₂对对象obj₂进行拍摄，得到图像image₂₂，依此类推，抓拍机c_m对对象obj₂进行拍摄，得到图像image_m2；由此形成图像组image₂＝[image₁₂,image₂₂,...,image_m2]；

依此类推

抓拍机c₁对对象obj_a进行拍摄，得到图像image_1a；抓拍机c₂对对象obj_a进行拍摄，得到图像image_2a，依此类推，抓拍机c_m对对象obj_a进行拍摄，得到图像image_ma；由此形成图像组image_a＝[image_1a,image_2a,...,image_ma]；

因此，得到a个图像组，a个图像组形成初始训练图像集image^[0]＝[image₁,image₂,...,image_a]；

步骤1.3，对于初始训练图像集image^[0]中的每个图像组，进行图像组扩充，得到最终的训练图像集image^[1]＝[image₁,image₂,...,image_b]；其中，b为训练图像集image^[1]包括的图像组的数量；

步骤1.4，确定图像特征类型集合f＝[f₁,f₂,...,f_t]；其中，f₁,f₂,...,f_t分别表示：第1图像特征类型，第2图像特征类型,...,第t图像特征类型；

步骤1.5，图像特征值的标注：

训练图像集image^[1]＝[image₁,image₂,...,image_b]由b个图像组构成；每个图像组均为m维图像，即：每个图像组包括m个图像，对于每个图像，均标注以下t个图像特征类型参考值：第1图像特征类型的参考值，第2图像特征类型的参考值,...,第t图像特征类型的参考值；

步骤2，将训练图像集image^[1]＝[image₁,image₂,...,image_b]按比例划分为两个集合，分别为：训练图像集image^[11]和训练图像集image^[12]；其中，训练图像集image^[11]包括b₁个图像组，表示为：训练图像集训练图像集image^[12]包括b₂个图像组，表示为：训练图像集其中，b＝b₁+b₂；

步骤3：模型训练过程，包括：

步骤3.1，假设需要考察融合的智能算法的数量为n个，分别表示为：智能算法th₁,智能算法th₂,...,智能算法th_n；

步骤3.2，对于训练图像集image^[11]中的每个图像组其中，j＝1,2,...,b₁，均执行以下操作：

步骤3.2.1，图像组中的每个图像，表示为：image_kj，其中，k＝1,2,...,m，均执行以下操作：

采用智能算法th₁对图像image_kj在t个特征维度进行智能识别，得到测试结果其中，分别为：智能算法th₁对图像image_kj的第1图像特征类型f₁的识别值，智能算法th₁对图像image_kj的第2图像特征类型f₂的识别值,...,智能算法th₁对图像image_kj的第t图像特征类型f_t的识别值；

采用智能算法th₂对图像image_kj在t个特征维度进行智能识别，得到测试结果

依此类推

采用智能算法th_n对图像image_kj在t个特征维度进行智能识别，得到测试结果

步骤3.2.2，由此得到测试结果矩阵集合AR＝[AR₁,AR₂,...,AR_t]：

依此类推：

其中：

AR₁为第1图像特征类型f₁的识别结果矩阵，含义为：

AR₁中的第一行，代表智能算法th₁对图像image_1j,image_2j,...,image_mj针对第1图像特征类型f₁的识别结果；

AR₁中的第二行，代表智能算法th₂对图像image_1j,image_2j,...,image_mj针对第1图像特征类型f₁的识别结果；

依此类推

AR₁中的第n行，代表智能算法th_n对图像image_1j,image_2j,...,image_mj针对第1图像特征类型f₁的识别结果；

AR₂为第2图像特征类型f₂的识别结果矩阵，含义为：

AR₂中的第一行，代表智能算法th₁对图像image_1j,image_2j,...,image_mj针对第2图像特征类型f₂的识别结果；

AR₂中的第二行，代表智能算法th₂对图像image_1j,image_2j,...,image_mj针对第2图像特征类型f₂的识别结果；

依此类推

AR₂中的第n行，代表智能算法th_n对图像image_1j,image_2j,...,image_mj针对第2图像特征类型f₂的识别结果；

AR_t为第t图像特征类型f_t的识别结果矩阵，含义为：

AR_t中的第一行，代表智能算法th₁对图像image_1j,image_2j,...,image_mj针对第t图像特征类型f_t的识别结果；

AR_t中的第二行，代表智能算法th₂对图像image_1j,image_2j,...,image_mj针对第t图像特征类型f_t的识别结果；

依此类推

AR_t中的第n行，代表智能算法th_n对图像image_1j,image_2j,...,image_mj针对第t图像特征类型f_t的识别结果；

步骤3.3，读取对应的图像特征参考值矩阵R＝[R₁,R₂,...,R_t]，其中，R₁,R₂,...,R_t均为n*m矩阵，即：n行m列矩阵；R₁,R₂,...,R_t分别代表：第1图像特征类型f₁的参考值矩阵，第2图像特征类型f₂的参考值矩阵,...,第t图像特征类型f_t的参考值矩阵；

步骤3.4，计算得到真实评分稀疏矩阵S＝[S₁,S₂,...,S_t]，方法为：

将AR₁与R₁的差进行归一化，得到n*m的与第1图像特征类型f₁对应的真实评分稀疏矩阵S₁；

将AR₂与R₂的差进行归一化，得到n*m的与第2图像特征类型f₂对应的真实评分稀疏矩阵S₂；

依此类推

将AR_t与R_t的差进行归一化，得到n*m的与第t图像特征类型f_t对应的真实评分稀疏矩阵S_t；

步骤3.5，设定未知的预测评分矩阵其中，均为n*m的矩阵；

确定h维的嵌入算法隐因子向量α＝[α₁,α₂,...,α_n]，其中，α₁,α₂,...,α_n分别表示：与智能算法th₁对应的嵌入算法隐因子，与智能算法th₂对应的嵌入算法隐因子,...,与智能算法th_n对应的嵌入算法隐因子；

采用α＝[α₁,α₂,...,α_n]，从而将分解为n*h维抓拍机特征空间矩阵P_c1和h*m维对象特征空间矩阵Q_d1；将分解为n*h维抓拍机特征空间矩阵P_c2和h*m维对象特征空间矩阵Q_d2；

依此类推，将分解为n*h维抓拍机特征空间矩阵P_ct和h*m维对象特征空间矩阵Q_dt；

因此，依此类推，

步骤3.6，建立最优化问题模型：

…

其中：

λ是超参数值，为已知固定值；

b_x是经验参数值，用于调整智能算法的优先级；

步骤3.7，求解最优化问题模型，得到最终的b_x(x＝1,2,...,t)，即：b＝[b₁,b₂,...,b_t]；将最终得到的b＝[b₁,b₂,...,b_t]表示为：b＝[b₁,b₂,...,b_t]；得到最优的P_cx和Q_dx值；通过最优的P_cx和Q_dx值，得到最优的预测评分矩阵，表示为：

步骤4：实际测试过程，包括：

步骤4.1，抓拍机c_r，r＝1,2,...,m，拍摄得到一张图像A；智能算法th₁对图像A在t个特征维度进行智能识别，得到测试结果

智能算法th₂对图像A在t个特征维度进行智能识别，得到测试结果

依此类推

采用智能算法th_n对图像A在t个特征维度进行智能识别，得到测试结果

步骤4.2，从各智能算法的测试结果中，按以下方式挑选出对图像A的最优测试结果AR(A)＝f₁(A),f₂(A),...,f_t(A)；其中：f₁(A),f₂(A),...,f_t(A)分别为：图像A的第1图像特征类型的最优识别结果，图像A的第2图像特征类型的最优识别结果,...,图像A的第t图像特征类型的最优识别结果:

对于图像A的第u图像特征类型的最优识别结果f_u(A)，其中，u＝1,2,...,t，采用以下方式筛选得到：

步骤4.2.1，在最优的预测评分矩阵中，定位到第u图像特征类型对应的预测评分矩阵预测评分矩阵为n*m矩阵，即：n行m列矩阵；

步骤4.2.2，在预测评分矩阵中，定位到第r列，第r列即为第抓拍机c_r抓拍到的图像对应的列；第r列共有n行，每一行对应一种智能算法，在第r列中，挑选预测评分最大的行，假设为第q行，其中，q＝1,2,...,n；因此，智能算法th_q为对图像A在第u图像特征类型的最佳识别算法；

步骤4.2.3，在步骤4.1的测试结果中，首先定位到智能算法th_q的测试结果

然后，在中，定位到第u个值，即：即为图像A的第u图像特征类型的最优识别结果f_u(A)。