申请/专利权人：安徽大学

申请日：2024-01-04

公开（公告）日：2024-04-05

公开（公告）号：CN117829431A

主分类号：G06Q10/063

分类号：G06Q10/063;G06Q10/04;G06Q50/06;G06F18/22;G06F18/23

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明公开了一种竞争多任务优化的大规模水质检测方法，包括：一、对水质检测数据进行采集；二：通过任务划分策略，生成多个低维子空间以及相应的任务；三、生成水质检测特征选择方案种群，并设置参数；四：通过竞争多任务优化策略选择合适的主任务进行优化，在知识迁移时选择合适的辅助任务帮助主任务进行优化，并通过环境选择迭代选取优质特征选择方案，最终得到最优的水质检测特征选择方案。本发明能减少大规模水质检测特征选择问题中所耗费的时间和空间，在大规模的水质检测特征集中快速的获得优质特征选择方案进行水质检测，以提高识别准确性。

主权项：1.一种竞争多任务优化的大规模水质检测方法，其特征在于，是按如下步骤进行：步骤1：采集带有水质等级标签的N个水质检测样本，其中，第n个水质检测样本记为un，且表示un中的第d个属性特征；d＝1,2,...,D，n＝1,2,...,N；D表示属性特征的总数量，N表示水质检测样本的总数量；步骤2：将相似的属性特征聚类到属性特征簇中；通过快速相关性聚类方法将N个水质检测样本中相似的属性特征聚类到一个簇中，从而得到M个属性特征簇C＝{c1,c2,...,cm,...,cM}及每个属性特征簇的权重，其中，cm表示第m个属性特征簇，m＝1,2,...,M；步骤3：对属性特征簇进行层级划分；将M个属性特征簇C按照其权重进行降序排序，得到排序后的属性特征簇并划分为T个层，其中，第t个层中包含Zt个属性特征簇，且步骤4：生成多个低维属性特征子集，并构造相应的属性任务；从第t个层的每个属性特征簇中随机选择一个属性特征，组成第t个属性特征子集其中，ft,k表示第t个层中第k个属性特征簇所选择的一个属性特征；步骤5：对T个属性特征子集{Subt|t＝1,2,...,T}进行属性优化；步骤5.1：定义当前迭代次数为g，最大迭代次数为G，并初始化g＝1；步骤5.2：当g≤Gmid时，执行步骤5.3到步骤5.11；否则，执行步骤5.12到步骤5.15，其中，Gmid表示迭代前期的阈值，GmidG；步骤5.3：则从T个属性特征子集{Subt|t＝1,2,...,T}中随机选择一个属性特征子集Subt作为第g代的第t个属性目标任务tasktg，再随机选择第j个属性特征子集Subj作为第g代的第j个属性辅助任务taskjg，j≠t；步骤5.4：令tasktg对应的第g代种群为其中，表示第g代种群Poptg中第i个粒子，且用于对Subt中的Zt个属性特征进行属性优化；且的位置记为表示中第k个属性特征被选择的概率；的速度记为表示中第k个属性特征的方向，N为种群大小；步骤5.5：利用式1计算第i个粒子的目标函数fitg： 式1中，表示识别的水质等级的误差，表示中被选择的属性特征数量，α是参数，且α∈[0,1]；步骤5.6：从Poptg中随机选出两个粒子比较两者的目标函数值，并将目标函数值较低的粒子作为优胜者粒子，将目标函数值较高的粒子作为失败者粒子，从而将Poptg中的粒子分为N2个失败者粒子和N2个优胜者粒子；将N2个优胜者粒子组成第g代优胜者种群，记为其中，表示第g代优胜者种群中第i'个优胜者粒子，i'＝1,2,…,N2；将N2个失败者粒子组成第g代失败者种群，记为其中，表示第g代失败者种群中第i'个失败者粒子，i'＝1,2,…,N2；步骤5.7：对第g代失败者种群进行属性优化，得到优化后的种群步骤5.8：由第g代优胜者种群和第g代优化后的种群组成第g+1代种群Poptg+1；步骤5.9：利用式5计算属性目标任务tasktg+1的第g+1代奖励 式5中，Poptg+1表示第g+1代属性目标任务tasktg+1对应第g+1代种群，|.|表示计算集合元素个数，表示属性目标任务tasktg+1对应的第g+1代种群Poptg+1中最优粒子的目标函数值，flag表示标志位；若flag＝1，则表示选择tasktg+1为主任务，并计算tasktg+1在第g+1代的奖励；若flag＝0，则表示不选择tasktg+1为主任务，tasktg+1在第g+1代的奖励为0；步骤5.10：利用式6计算属性辅助任务taskjg+1的第g+1代奖励式6中，表示属性目标任务tasktg+1对应的第g+1代种群Poptg+1中粒子的平均目标函数值；表示属性目标任务tasktg对应的第g代种群Poptg中粒子的平均目标函数值；步骤5.11：利用式7计算第g+1代属性目标任务tasktg+1选择第g+1代属性辅助任务taskjg+1的概率 式7中，表示第g代属性目标任务tasktg选择tskjg作为属性辅助任务的概率；θ是调整幅度的参数；步骤5.12：利用式8计算第g+1代的属性目标任务tasktg+1在前g+1代的平均属性目标任务奖励 式8中，nt表示在前g+1代中第t个属性任务被选择为属性目标任务的次数；步骤5.13：利用式9计算第g+1代的属性任务tasktg+1被选择作为属性目标任务的概率 式9中，e是自然对数的底数；步骤5.14：根据选择概率用轮盘赌的方式从T个属性特征子集中选择一个属性特征子集Subt+1作为第g+1代的属性目标任务tasktg+1，根据属性辅助任务选择概率选择第j个属性特征子集Subj作为第g+1代的属性辅助任务taskjg+1，j≠t；步骤5.15：将g+1赋值g给后，判断gG是否成立，若成立，则停止迭代，并根据每个粒子的目标函数，从第G代种群PoptG中输出最优粒子所对应的属性优化方案，从而根据属性优化方案中的各个属性特征对进行水质检测，以判断水质等级，否则，返回步骤5.4顺序执行。

全文数据：

权利要求：

百度查询： 安徽大学 一种竞争多任务优化的大规模水质检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD