申请/专利权人：贵州师范大学

申请日：2024-03-19

公开（公告）日：2024-05-17

公开（公告）号：CN117911799B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/44;G06N3/006

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明公开了一种基于多策略改进鳌虾算法的特征分类方法，包括：获得零件图像数据并分割数据；初始化种群及参数，应用转化函数；计算适应度函数值；进入主循环，设置迭代终止条件；使用自适应螺旋精英贪婪反向学习策略获得精英反向解，并进行贪婪选择；使用鳌虾算法的各个温度控制的位置更新策略，更新代理位置；使用混沌变异机制的位置更新策略；进行所有个体、所有维度的边界检查；更新全局最优代理位置和适应度值；当迭代次数达到预设的最大迭代次数时，退出循环，并输出结果；提取选择的特征，通过K‑邻近分类器进行分类准确度评估。本发明采用的方法，在特征选择的过程中，展现了分类精度好、收敛性强、鲁棒性高、计算代价小等优点。

主权项：1.一种基于多策略改进鳌虾算法的特征分类方法，该方法应用于对机械装配的零件图像进行特征分类，其特征在于，包括：获得零件图像数据并分割数据；初始化种群及参数，应用转化函数；计算适应度函数值并定义当前迭代次数内的最优代理位置CfG、种群所有个体中的最优位置CfL和最优代理位置对应的最优值fitbest；进入主循环，设置迭代终止条件；使用自适应螺旋精英贪婪反向学习策略获得精英反向解，并进行贪婪选择；使用鳌虾算法的各个温度控制的位置更新策略，更新代理位置；使用混沌变异机制的位置更新策略；进行所有个体、所有维度的边界检查；更新全局最优代理位置和适应度值；当迭代次数达到预设的最大迭代次数时，退出循环，并输出结果；提取选择的特征，通过K-邻近分类器进行分类准确度评估；所述使用自适应螺旋精英贪婪反向学习策略获得精英反向解，并进行贪婪选择包括如下步骤：S6.1精英定位，使用公式（5），具体为： （5）；其中；a用来表征螺线中的起始位置；b用来控制螺距大小；t为当前迭代次数；T=max_it；ub，1b分别是搜索空间的上界和下界；rand是[0，1]之间的随机数；h为常数8；Cffood=CfG；Cfshade=（CfG+CfL）2；S6.2应用自适应螺旋反向学习获得备选解Cfin，定义起始位置为a,螺距为b,具体为公式（6）： （6）；其中，eps为接近0的极小常数；S6.3使用转换函数将备选解进行转换，如公式（7），具体为： （7）；S6.4使用公式（8）执行贪婪选择，具体为： （8）；其中，fitCfin表示该备选解的适应度值，fitCfj表示当前循环中某个代理第j维位置的适应度值；根据温度控制因子temp选择鳌虾算法的位置更新策略；包括：当温度控制因子temp=35时，改进鳌虾算法执行竞争阶段的位置更新策略；当温度控制因子30=temp35时，改进鳌虾算法执行避暑阶段的位置更新策略；当温度控制因子20=temp30时，改进鳌虾算法执行觅食阶段的位置更新策略；当temp20时，算法进入搜索-躲藏策略；所述搜索-躲藏策略的实现过程如下：使用公式（19）更新代理位置，具体为： （19）；其中，c1，c2，代表当前种群随机个体的索引；K3由公式（20）定义，具体为： （20）；其中，e为自然对数的底，H1为常数3；所述使用混沌变异机制的位置更新策略包括：S11.1定义当前适应度的平均值avgf；S11.2对于当前所有个体，如果存在某个个体的适应度值小于当前适应度平均值，即fit（Cfi）avgf，则对该代理使用公式（21）进行混沌变异操作，具体为： （21）；其中，Cs是混沌系数，Gm为高斯变异算子，由公式（22）和公式（23）定义，具体为： （22）； （23）；其中，为缩放因子，这里取为常数0.5；Gd是服从高斯分布的随机数；S11.3同样地，将变异操作后得到的备选解使用公式（7）进行转换；S11.4使用公式（8）执行贪婪选择得到Cfj。

全文数据：

权利要求：

百度查询： 贵州师范大学 一种基于多策略改进鳌虾算法的特征分类方法

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