[发明专利]基于增强聚类的机器学习算法及该算法的应用

摘要

本发明涉及一种基于增强聚类的机器学习算法，包括以下步骤分析基础数据的特征，随机编写一定数量的特征模板；对编写的特征模板在工作环境下依次对在线获得的数据进行分类测试；统计分类测试结果，预设相应分类标准，对特征模板匹配成功率的最大值与平均值差值处理，若差值不大于预设的分类标准，则认为所选均能达到目标要求；若差值大于预设的分类标准，则对特征模板进行筛选；利用筛选出的较好特征模板进行下一组迭代试验；直至试验中某组特征模板能满足处理后的匹配成功率的最大值与平均值差值不大于预设分类标准，则认为所选均能达到目标要求。该算法易于实施，鲁棒性强，可广泛应用图像、文本、音频等基础数据的实时在线优化。

主权项

一种基于增强聚类的机器学习算法，所述算法至少包括下述步骤：S1、分析目标对象的基础数据的特征，随机编写N个特征模板，其中，每个特征模板可将基础数据划分为符合该特征模板的数据和不符合该特征模板的数据；S2、应用步骤S1编写的N个特征模板，在工作环境下依次对在线获得的数据进行分类测试；S3、统计分类测试结果，得到每一个特征模板分类的成功率，并预设分类的失败标准为分类失败率n％；计算所有特征模板匹配成功率的平均值xmean与最大值xmax，以及最大值与平均之差为xd；若xd不大于n％，则认为N个特征模板分类水平一致，均能达到目标要求，则至S7；若xd大于n％，则依次计算成功率最大值xmax与其余各特征模板成功率之间的距离Δx1，若Δx1＜xd，则将对应的特征模板作为较好的特征模板子集，并形成待测试特征模板集合；反之则淘汰该特征模板；S4、针对步骤S3产生的测试特征模板集合，在工作环境下依次对在线获得的数据进行分类测试；S5、统计分类测试结果，得到每一个特征模板分类的成功率，计算所有特征模板匹配成功率的平均值xmean与最大值xmax，以及最大值与平均之差为xd；若xd不大于n％，则认为N个特征模板分类水平一致，均能达到目标要求，则至S7；若xd大于n％，则依次计算成功率最大值xmax与其余各特征模板成功率之间的距离Δx2，若Δx2＜xa，其中xa不大于xd，则将对应的特征模板作为较好的特征模板子集，并形成待测试特征模板集合；反之则淘汰该特征模板；S6、重复步骤S4和S5，直到达到预设的分类成功率阈值；S7、机器学习过程结束，并选取N个特征模板中成功率最高者作为最优的特征识别方案。