[发明专利]数据分类方法、装置以及计算机可读存储介质

权利要求书

1.一种数据分类方法，其特征在于，所述方法包括：

获取待分类数据；

利用预设的数据分类模型对所述待分类数据进行分类，以获取所述待分类数据的数据类别；

其中，所述预设的数据分类模型是基于对训练样本进行随机采样与逆采样得到的样本的特征融合结果训练得到的，所述训练样本中一部分类别样本的数量远小于其他类别样本的数量。

2.根据权利要求1所述的数据分类方法，其特征在于，所述预设的数据分类模型包括数据输入模块、特征提取模块、特征融合模块和分类器；所述特征提取模块包括多个顺次连接的特征提取子模块并且首个特征提取子模块与所述数据输入模块连接，最后一个特征提取子模块与所述特征融合模块连接；所述最后一个特征提取子模块包括结构相同的主特征提取单元和附属特征提取单元；

所述特征提取模块被配置成提取输入数据的数据特征；

所述特征融合模块被配置成对所述主特征提取单元与所述附属特征提取单元输出的数据特征进行特征融合，得到特征融合结果；

所述分类器被配置成根据所述特征融合结果进行数据分类。

3.根据权利要求2所述的数据分类方法，其特征在于，所述预设的数据分类模型是通过下列方式训练得到的：

分别对训练样本进行随机采样与逆采样，得到随机采样样本和逆采样样本；

利用下式所示的模型损失函数L并且根据所述特征融合模块输出的所述随机采样样本与所述逆采样样本的特征融合结果，计算所述数据分类模型的模型损失值；

L＝α₁L_CE(P_mix，y_normal)+(1-α₁)L_CE(P_mix，y_reverse)

其中，所述P_mix表示所述分类器根据所述特征融合结果进行数据分类输出的类别预测值，所述y_normal表示所述随机采样样本的类别标签值，所述y_reverse表示所述逆采样样本的类别标签值，所述L_CE(P_mix，y_normal)表示类别预测值P_mix与类别标签值y_normal的误差函数且L_CE(P_mix，y_normal)＝-y_normallnP_mix，所述L_CE(P_mix，y_reverse)表示类别预测值P_mix与类别标签值y_reverse的误差函数且L_CE(P_mix，y_reverse)＝-y_reverselnP_mix；所述α₁表示模型损失函数的权重且所述i_epoch表示当前迭代训练的迭代次数，所述n_epoch表示迭代训练的总次数；

根据所述模型损失值，计算所述数据分类模型中每个模型参数各自对应的梯度，并且根据所述梯度反向传播更新所述数据分类模型的模型参数进行模型优化，以完成当前迭代训练；

判断是否满足迭代停止条件；

若是，则停止训练；若否，则执行下一次迭代训练。