[发明专利]一种基于遗传优化和核极限学习机的分类方法及装置

说明书

本发明公开了一种基于遗传优化和核极限学习机的分类方法，包括：将样本图片库中的图片输入到递归最小二乘法核极限学习机中；获得其在多组不同的正规化系数与核函数参数下对样本图片库中的图片进行分类的分类精度，分类结果包括预设数量的用户喜爱等级；基于遗传算法对正规化系数与核函数参数进行优化，得到最优的正规化系数与核函数参数；将最优的正规化系数与核函数参数的值输入到递归最小二乘法核极限学习机中，以将待分类图片库中的图片进行分类；将图片按照对应的用户喜爱等级由高到低推荐至用户。本方法中递归最小二乘法核极限学习机中的分类参数是基于遗传算法优化后的得到的最优分类参数，分类精度得到提高，进而提高图片推荐准确性。

技术领域

本发明涉及数据分类技术领域，更具体地说，涉及一种基于遗传优化和核极限学习机的分类方法，还涉及一种基于遗传优化和核极限学习机的分类装置、设备及计算机可读存储介质。

背景技术

图片推荐应用或者图片推荐网页可以根据用户的偏好向用户推荐图片，其中数据分类对于图片得以准确推荐而言至关重要。目前已有的数据分类方法有神经网络法、支持向量机法、决策树分类方法、贝叶斯网络法、递归最小二乘法核极限学习机等，其中递归最小二乘法核极限学习机是一种常用的数据分类手段，但是在使用递归最小二乘法时用户需要在反复多次的试验后根据试验结果来选取分类参数，当数据量很大的时候这种做法容易导致结果因用户的主观判断而造成分类参数的选取不可靠，导致分类精度较低，进而导致图片推荐准确性降低，即推荐给用户的图片受到用户喜爱的概率降低。

综上所述，如何提供一种能提高图片推荐准确性的方案，是目前本领域技术人员亟待解决的问题。

发明内容

本发明的目的是提供一种基于遗传优化和核极限学习机的分类方法、装置、设备及计算机可读存储介质，可以提高图片推荐准确性。

为了实现上述目的，本发明提供如下技术方案：

一种基于遗传优化和核极限学习机的分类方法，包括：

将样本图片库中的图片输入到递归最小二乘法核极限学习机中；

获得所述递归最小二乘法核极限学习机在多组不同的正规化系数与核函数参数下对所述样本图片库中的图片进行分类的分类精度，其中，一组正规化系数与核函数参数对应一个分类精度，所述递归最小二乘法核极限学习机对所述样本图片库中的图片的分类结果包括预设数量的用户喜爱等级；

基于遗传算法对所述正规化系数与核函数参数进行优化，得到最优的正规化系数与核函数参数，其中，任一组正规化系数与核函数参数对应的分类精度为遗传算法中的适应度值；

将所述最优的正规化系数与核函数参数的值输入到所述递归最小二乘法核极限学习机中，以将待分类图片库中的图片进行分类；

将图片按照对应的用户喜爱等级由高到低推荐至用户。

优选的，所述基于遗传算法对所述正规化系数与核函数参数进行优化，得到最优的正规化系数与核函数参数包括：

将所述多组不同的正规化系数与核函数参数作为遗传算法中种群的个体，所有个体组成第一种群；

从所述第一种群中随机产生具有预设个体数量的第二种群；

从所述第二种群中剔除适应度值小于预设的第一适应度值的个体；

剔除后对所述第一种群进行交叉计算和变异计算；

将当前遗传代数加1；

判断是否达到预设遗传代数，若是，则停止遗传，查找出当前第二种群中适应度值最大的个体，确定这个个体对应的正规化系数与核函数参数的值为最优的正规化系数与核函数参数的值，若否，则返回执行所述从所述第二种群中剔除适应度值小于预设的第一适应度值的个体，直到判断得到当前遗传代数等于预设遗传代数。