[发明专利]基于机器学习的过程周期图像的根本原因分析

权利要求书

1.一种训练用于基因分型过程周期图像的随机森林分类器的方法，所述方法包括：

访问来自属于成功类别和多个失败类别的过程周期的图像的标记的训练示例；

基于本征图像的线性组合来创建每个标记的训练示例的图像描述特征；

使用所述标记的训练示例的所述图像描述特征来训练所述随机森林分类器；以及

存储所训练的随机森林分类器的参数。

2.根据权利要求1所述的方法，所述方法还包括：

访问本征图像的基；

根据解释的变异性的量度对所述本征图像的基进行排序；以及

选择累积地解释高于阈值的变异性的本征图像的最高排序的基；以及

使用所选择的本征图像的基来分析所述过程周期图像。

3.根据权利要求1所述的方法，所述方法还包括使用所述图像描述特征来训练所述随机森林分类器，以用于所述成功类别和所述多个失败类别的一对多确定。

4.根据权利要求1所述的方法，其中所述随机森林分类器包括100至400棵决策树。

5.根据权利要求1所述的方法，其中所述随机森林分类器具有10至40的深度。

6.根据权利要求2所述的方法，所述方法还包括：

在确定所述图像描述特征不属于所述成功类别时访问第二随机森林分类器，其中所述第二随机森林分类器被训练为区分来自属于所述多个失败类别中的一者的过程周期的图像；以及

将所述第二随机森林分类器应用于所述图像描述特征，包括对所述多个失败类别中的每一者与其余类别进行评分，并且使用所得评分来在所述多个失败类别中选择失败的过程周期的可能的根本原因。

7.一种印有训练用于基因分型过程周期图像的随机森林分类器的计算机程序指令的非暂态计算机可读存储介质，所述指令在处理器上执行时实施一种方法，所述方法包括：

访问来自属于成功类别和多个失败类别的过程周期的图像的标记的训练示例；

基于本征图像的线性组合来创建每个标记的训练示例的图像描述特征；

使用所述标记的训练示例的所述图像描述特征来训练所述随机森林分类器；以及

存储所训练的随机森林分类器的参数。

8.根据权利要求7所述的非暂态计算机可读存储介质，实施所述方法还包括：

使用所述图像描述特征来训练所述随机森林分类器，以用于所述成功类别和所述多个失败类别的一对多确定。

9.根据权利要求7所述的非暂态计算机可读存储介质，实施所述方法还包括：

访问本征图像的基；

根据解释的变异性的量度对所述本征图像的基进行排序；

选择累积地解释高于阈值的变异性的本征图像的最高排序的基；以及

使用所选择的本征图像的基来分析所述过程周期图像。

10.根据权利要求7所述的非暂态计算机可读存储介质，其中所述随机森林分类器包括100至400棵决策树。

11.根据权利要求7所述的非暂态计算机可读存储介质，其中所述随机森林分类器具有10至40的深度。

12.根据权利要求9所述的非暂态计算机可读存储介质，实施所述方法还包括：

在确定所述图像描述特征不属于所述成功类别时访问第二随机森林分类器，其中所述第二随机森林分类器被训练为区分来自属于所述多个失败类别中的一者的过程周期的图像；以及

将所述第二随机森林分类器应用于所述图像描述特征，包括对所述多个失败类别中的每一者与其余类别进行评分，并且使用所得评分来在所述多个失败类别中选择失败的过程周期的可能的根本原因。