[发明专利]基于多模多目标进化优化的车辆图像分类方法

权利要求书

1.一种基于多模多目标进化的车辆图像分类方法，其特征在于，包括以下步骤：

步骤1、数据的预处理；

步骤1.1、采集带有类别标签的P个车辆图像样本，并对P个车辆图像样本的特征属性分别进行提取后，得到P个车辆图像的样本数据，其中，第p个车辆图像的样本数据，记为(X_p,Y_p)，X_p表示第p个车辆图像样本的属性特征，且表示第p个车辆图像样本的第i个属性特征，Y_p表示第p个车辆图像样本的类别标签，m表示特征向量的个数；

步骤1.2、对所述第p个车辆图像样本的属性特征X_p进行标准化处理后，得到第p个车辆样本图像的特征向量表示第p个车辆图像样本的第i个特征，由X′_p和Y_p组成第p个样本空间(X′_p,Y_p)，从而得到训练数据集

步骤2、定义网络分类模型结构；

所述图像分类模型结构由两类模块构成，分别是正常模块和降维模块，所述正常模块和降维模块的节点数量相同，且均由输入层、中间层和输出层组成；

其中，输入层有两个节点，分别用于接收前两个模块的输出，输入层的两节点之间无连接，中间层有四个节点，输出层有一个节点；

定义候选操作集合O中包含分离卷积操作、空洞分离卷积操作、平均池化操作，最大池化操作、恒等操作、直连操作；

所述候选连接操作集合O用于选择两类模块的输入层的节点与中间层的节点之间边所对应的候选操作以及中间层的自身节点之间边所对应的候选操作；

步骤3、随机初始化降维模块的结构并固定，以搜索令模型性能最优的正常模块；

步骤3.1、初始化参数，包括：种群规模Z，当前个体序号z，当前进化代数G＝1、最大进化代数G_max，边的数量N，决策变量的个数D，子种群的数量K、方向向量GV；

步骤3.2、定义第G代进化的第z个个体的二进制编码其中，的取值为0或1，表示第G代进化的第z个个体是否选择第a条边对应的第b个候选操作，|O|表示候选操作集合O的元素个数，N表示模块内边的数量；

令第z个个体的实数编码其中，表示第z个个体选择第a条边对应的第b个候选操作的概率；

步骤3.3、构造初始化第G代进化的种群：

步骤3.3.1、初始化第G代进化的一组零向量为第G代进化的方向向量；表示第G次进化中第a个模块对应的第b个操作对应的方向向量；

步骤3.3.2、令z＝1；

步骤3.3.3、将第G代进化的种群中第z个个体对应的实值编码设为随机值，二进制编码初始为D维的零向量；

步骤3.3.4、从第G代进化的种群中第z个个体的实数编码中随机选择两个概率进行比较，并将较小概率的实数值加1，对应的二进制值设为1，从而完成二进制编码中一个二进制值的更新，进而完成个二进制值的更新，其中，rand表示[0,1]之间的随机数，表示向上取整；

步骤3.3.5、将个更新完成后的二进制编码和实数编码中对应位置的实数值和二进制值相乘，从而得到一个正常模块所对应的第z个个体

步骤3.3.6、令z+1赋值给Z，重复步骤3.3.2，直到z＞Z为止，从而构建初始种群；

步骤3.4、对初始种群中的个体进行适应度值评价，根据适应度值对初始种群中的个体进行非支配排序，再将排序后的种群划分成K个相同规模的子种群，并按照子种群内的非支配解数量对K个子种群进行排序，从而得到排序后的K个子种群并作为第G代进化的种群；

步骤4、在第G次种群进化的过程通过对子种群进行交叉变异得到子代种群；

步骤4.1、令k＝1；

步骤4.2、利用式(1)对第G次迭代的第k个子种群的方向向量进行更新，得到第G代进化的更新后的第k个子种群的方向向量

式(1)中，是第G次迭代的第k个子种群存在的非支配解的数量，表示第G次进化更新后的第k个子种群的第a条边对应的第b个操作对应的实向量，并有：

式(2)中，表示第G次进化的第x个个体是否选择第a条边对应的第b个操作，表示第G次进化的第y个个体是否选择第a条边对应的第b个操作；表示第G次进化第a条边对应的第b个操作对应的实向量；

步骤4.3、初始化第G次迭代的一组零向量为实向量；其中，表示第G次进化第k个子种群第a条边对应的第b个操作对应的方向向量；

步骤4.4、将第G次迭代的第k个子种群中所有的非支配解构成集合

步骤4.5、定义变量并初始化t＝1；

步骤4.6、选择第t个非支配解在决策空间中最近的个个体构成集合

步骤4.7、令定义变量并初始化h＝1；

步骤4.8、根据第t个非支配解及其第h个近邻解，利用式(2)对第G代进化的第k个子种群的实向量进行更新操作，得到第G代进化的第h次更新后的实向量；

步骤4.9、将h+1赋值给h后，判断是否成立，若成立，则表示第G代进化的第t个非支配解完成对第k个子种群的实向量的更新，执行步骤4.10；否则，返回步骤4.8顺序执行；

步骤4.10、将t+1赋值给t后，判断是否成立，若成立，则表示得到完成第G代进化的第k个子种群的实向量的更新，执行步骤4.5；否则，返回步骤4.4.2顺序执行，其中，表示第G代进化的第k个子种群非支配解的数量；

步骤4.11、根据第G代进化的第k个子种群更新后的实向量，利用式(1)得到第G代进化的第k个子种群更新后的方向向量；

步骤4.12、通过二元锦标赛选择方法从第G代进化的第k个子种群中选择出个个体作为第G代进化的第k个子种群对应的父代种群；表示向下取整；

步骤4.13、使用方向向量来指引第G代进化的第k个子种群对应的父代种群进行交叉变异后产生子代种群；

步骤4.13.1、从第G代进化的第k个子种群对应的父代种群中随机选择两个父代个体，并将其从父代种群中删除；选择两个父代个体后，均产生与第一个父代个体相同的个体A，若两个父代个体的二进制编码都相同，则将个体A作为子代解，否则，根据不同二进制编码的个数，产生相应数量的随机数，并对不同二进制编码所在位置对应的方向向量与相应的随机数进行比较，若方向向量大于随机数，则将个体A对应位置上的二进制编码设为1，否则设为0；从而得到更新后的个体A并作为子代解；进而得到第G代进化的第k个子种群对应的个子代解；

步骤4.13.2、按照同等概率选择方案一或方案二对个子代解进行变异，从而得到第G代进化的第k个子种群对应的子代种群：

方案一：通过二元锦标赛选择方法在一个子代解的二进制值为1的维度中选择两个维度，并将方向向量值较小的维度对应的二进制值变异为0；

方案二：从一个子代解的二进制值为0的维度中随机选择出两个维度，并将方向向量值较大的维度对应的值变异为1；

步骤4.14、将第G代进化的第k个子种群及其对应的子代种群合并为第G代进化的第k个合并种群，使用第G代进化的第k个子种群更新后的方向向量和更新后的实向量对第k个合并种群进行环境选择；

步骤4.14.1、计算第G代进化的第k个子种群中的每个个体在训练数据集上的准确度和复杂程度；

步骤4.14.2、根据所述复杂程度和准确度，计算第G代进化的第k个子种群中的每个个体的适应度值和拥挤度距离；

步骤4.14.3、按照适应度值和拥挤度距离对第G次进化的第k个子种群中的个体进行非支配排序，得到第G次进化的排序后的第k个子种群；

步骤4.14.4、从第G次进化的排序后的第k个子种群中，按照支配等级从高到低的顺序，依次将每个支配等级中的个体加入第G+1次进化的种群中，直到第G+1次进化的种群中的个数超过为止，并将最低支配等级中的个体按照拥挤度距离进行降序排序，将排序靠前的个体删除，直到第G+1次进化的种群的规模为为止；

步骤4.15、将k+1赋值给k后，判断k＞K是否成立，若成立，则表示第G代进化的中所有子种群更新完毕，并执行步骤5；否则，返回步骤4.2顺序执行；

步骤5、将G+1赋值给G后，判断G＞G_max是否成立，若成立，则表示完成进化，并得到最终的K个子种群，否则，返回步骤3.2顺序执行；

步骤6、从最终的K个子种群中分别选择一个适应度值最优的个体，并对K个最优个体进行加权平均后，得到性能最优的正常模块；根据性能最优的正常模块中N条边所对应的边候选操作集，从中选择概率最大的候选操作作为相应边对应的候选操作，从而得到结构确定的正常模块；

步骤7、固定结构确定的正常模块，并按照步骤3-步骤6的过程搜索性能最优的降维模块，并相应得到结构确定的降维模块；从而由2c个结构确定的正常模块和c个结构确定的降维模块组成最终的车辆图像分类模型，用于实现车辆图像的最优分类。