一种基于PSO-GA的数据分类预测方法及设备技术

本发明专利技术公开了一种基于PSO

【技术实现步骤摘要】
一种基于PSO
‑
GA的数据分类预测方法及设备


[0001]本申请涉及分类预测领域，尤其涉及一种基于PSO
‑
GA的数据分类预测方法及设备。

技术介绍

[0002]在医疗健康领域中，经常需要对药品名称等数据进行分类，遇到的医疗健康问题通常十分复杂，且计算成本昂贵，每一轮目标预测值的计算都要消耗大量时间和成本。其他很多领域均面临相同或者类似情况，数据分类预测一直是人们迫切需要解决的问题。
[0003]然而现有的分类或者通过人工来分类，或者通过分类预测模型来分类。现有的分类预测模型，在预测分类的过程中，容易得到局部分类参数值，难以得到全局最优分类适应度值的问题，以使分类预测模型在训练的过程中难以达到更好的分类效果。
[0004]因此，现在亟需一种能够节约人工成本，且能够快速对数据进行准确分类预测的方法。

技术实现思路

[0005]本申请实施例提供了一种基于PSO
‑
GA的数据分类预测方法及设备，用于解决如下技术问题：传统的分类预测模型不能准确的反映出分类预测的结果。
[0006]本申请实施例采用下述技术方案：
[0007]一方面，本申请实施例提供了一种基于PSO
‑
GA的数据分类预测方法，所述方法包括：接收数据，所述数据包括图像、文字中的任意一项或多项；将所述数据输入到训练好的分类预测模型中；其中，所述分类预测模型的训练过程包括：将支持向量机模型的预设参数进行迭代计算，得到局部预测结果及全局预测结果；基于所述局部预测结果，确定所述支持向量机模型的全局优化量；根据所述全局优化量与所述全局预测结果，比较全局分类适应度值与全局最优分类适应度值；其中，所述全局最优分类适应度值是根据所述全局预测结果得到的，所述全局分类适应度值是根据所述全局优化量得到的；若所述全局分类适应度值小于或等于所述全局最优分类适应度值，则将约束搜索步长参数值以及搜索步长进行更新；以及，若所述全局分类适应度值大于所述全局最优分类适应度值，则将搜索优化迭代次数与预设最大搜索优化迭代次数进行对比，以及将搜索步长与预设最小搜索步长进行对比，并根据对比结果确定全局最终优化分类参数，并通过所述全局最终优化分类参数对所述分类预测模型进行优化训练；根据所述训练好的分类预测模型，对所述数据进行分类，得到数据分类结果。
[0008]本申请实施例通过对分类预测模型的支持向量机模型的优化算法，解决了分类问题中往往存在多个局部预测结果，以及容易得到局部分类参数值，难以得到全局最优分类适应度值的问题，提高了优化算法中的收敛精度，大大加快了收敛的速度，采用粒子群算法(Particle Swarm Optimization，PSO)，使粒子能够快速的聚集在局部预测结果的附近，并且通过粒子群算法能够进行全局的搜索，使搜索的范围更加的广泛，同时结合广义随机挖
隧道算法能够跳出陷入局部预测结果的问题，减少后期粒子群算法大量迭代的问题，降低了计算成本和时间损耗，提升了计算的精确度，有利于优化训练分类预测模型，得出更好的分类结果。
[0009]在一种可行的实施方式中，将支持向量机模型的预设参数值进行迭代计算，得到局部预测结果以及全局预测结果，具体包括：根据预设参数，对所述支持向量机模型中的粒子群进行若干次迭代，得到粒子群的所述全局预测结果以及优化适应值；通过单纯形优化算法，对所述全局预测结果以及优化适应值进行计算，得到所述局部预测结果。
[0010]在一种可行的实施方式中，基于所述局部预测结果，确定所述支持向量机模型的全局优化量，具体包括：根据所述局部预测结果，对所述支持向量机模型中的初始参数进行运算，得到全局预测优化函数；其中，所述初始参数至少包括：约束搜索步长参数值、搜索优化迭代次数、搜索步长、粒子群阶段的普通优化迭代次数、挖隧道阶段的搜索优化迭代次数、粒子个数、惯性权重、粒子边界、学习因子、粒子最大速度、当前粒子位置、预设最小搜索步长以及预设最大搜索优化迭代次数中的任一项或者多项；其中，所述粒子最大速度与，所述粒子边界的最大值以及所述粒子边界的最小值有关；根据所述支持向量机模型中的全局预测结果，确定所述全局预测优化函数的全局优化量。
[0011]在一种可行的实施方式中，根据所述局部预测结果，对所述支持向量机模型中的初始参数进行运算，得到全局预测优化函数，具体包括：根据T＝X
max
‑
X
min
，得到初始搜索步长T；其中，X
max
为粒子边界的最大值，X
min
为粒子边界的最小值；根据P＝rand*π
‑
0.5*π，得到随机数P；其中，rand为随机函数；根据x＝gbest+T*tan(P)，得到全局优化量x；其中，gbest为所述全局预测结果，δx＝T*tan(P)，且δx为全局优化预测中间量；将所述全局优化量x进行函数方程转化，得到所述全局预测优化函数。
[0012]本申请实施例通过优化算法后期采用的广义随机挖隧道算法改进了步长的递减比率，提高了跳出局部预测结果的可行性，改进了需要梯度信息的缺点，并且提高了对粒子群的搜索次数，提高了搜索到全局最终优化分类参数的准确性。
[0013]在一种可行的实施方式中，将所述约束搜索步长参数值以及所述搜索步长进行更新，具体包括：判断所述全局优化量是否在定义域内；若所述全局优化量在定义域内，则确定所述全局优化量为全局预测结果，并将所述全局优化量进行第二次粒子群迭代计算，得到第二次粒子群的全局预测结果以及优化适应值；若所述全局优化量不在定义域内，则将所述约束搜索步长参数值加1，并将所述搜索步长更新为当前搜索步长与所述约束搜索步长参数值加0.1之间的比值。
[0014]在一种可行的实施方式中，在将所述搜索步长更新为当前搜索步长与所述约束搜索步长参数值加0.1之间的比值之后，所述方法还包括：比较所述搜索步长与预设最小搜索步长之间的大小关系；在所述搜索步长小于所述预设最小搜索步长时，将所述约束搜索步长参数值以及所述搜索步长初始化为0；以及，在所述搜索步长大于或等于所述预设最小搜索步长时，将所述搜索步长代入全局优化预测中间量中，以实现对所述全局优化预测中间量的迭代更新。
[0015]在一种可行的实施方式中，根据对比结果确定全局最终优化分类参数，具体包括：在所述搜索优化迭代次数大于或等于所述预设最大搜索优化迭代次数时，将搜索步长参数值加1，以及将所述搜索步长更新为当前搜索步长与所述搜索步长参数值加0.1之间的比
值；以及，在所述搜索步长小于所述预设最小搜索步长时，终止搜索过程，得到当前全局预测结果及其对应的所述全局最终优化分类参数。
[0016]本申请实施例通过逐步减少步长，协调了局部搜索和全局搜索。解决了当步长非常小时，优化算法的局部收敛非常好但是无法跳出局部预测结果，当步长非常大时，可以跳出局部预测结果，但是随机性太大的问题。
[0017]在一种可行的实施方式中，在所述搜索优化迭代次数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PSO
‑
GA的数据分类预测方法，其特征在于，所述方法包括：接收数据，所述数据包括图像、文字中的任意一项或多项；将所述数据输入到训练好的分类预测模型中；其中，所述分类预测模型的训练过程包括：将支持向量机模型的预设参数进行迭代计算，得到局部预测结果及全局预测结果；基于所述局部预测结果，确定所述支持向量机模型的全局优化量；根据所述全局优化量与所述全局预测结果，比较全局分类适应度值与全局最优分类适应度值；其中，所述全局最优分类适应度值是根据所述全局预测结果得到的，所述全局分类适应度值是根据所述全局优化量得到的；若所述全局分类适应度值小于或等于所述全局最优分类适应度值，则将约束搜索步长参数值以及搜索步长进行更新；以及，若所述全局分类适应度值大于所述全局最优分类适应度值，则将搜索优化迭代次数与预设最大搜索优化迭代次数进行对比，以及将搜索步长与预设最小搜索步长进行对比，并根据对比结果确定全局最终优化分类参数，并通过所述全局最终优化分类参数对所述分类预测模型进行优化训练；根据所述训练好的分类预测模型，对所述数据进行分类，得到数据分类结果。2.根据权利要求1所述的一种基于PSO
‑
GA的数据分类预测方法，其特征在于，将支持向量机模型的预设参数值进行迭代计算，得到局部预测结果及全局预测结果，具体包括：根据所述预设参数，对所述支持向量机模型中的粒子群进行若干次迭代，得到粒子群的所述全局预测结果以及优化适应值；通过单纯形优化算法，对所述全局预测结果以及优化适应值进行计算，得到所述局部预测结果。3.根据权利要求1所述的一种基于PSO
‑
GA的数据分类预测方法，其特征在于，基于所述局部预测结果，确定所述支持向量机模型的全局优化量，具体包括：根据所述局部预测结果，对所述支持向量机模型中的初始参数进行运算，得到全局预测优化函数；其中，所述初始参数至少包括：约束搜索步长参数值、搜索优化迭代次数、搜索步长、粒子群阶段的普通优化迭代次数、挖隧道阶段的搜索优化迭代次数、粒子个数、惯性权重、粒子边界、学习因子、粒子最大速度、当前粒子位置、预设最小搜索步长以及预设最大搜索优化迭代次数中的任一项或者多项；其中，所述粒子最大速度与，所述粒子边界的最大值以及所述粒子边界的最小值有关；根据所述支持向量机模型中的全局预测结果，确定所述全局预测优化函数的全局优化量。4.根据权利要求3所述的一种基于PSO
‑
GA的数据分类预测方法，其特征在于，根据所述局部预测结果，对所述支持向量机模型中的初始参数进行运算，得到全局预测优化函数，具体包括：根据T＝X
max
‑
X
min
，得到初始搜索步长T；其中，X
max
为粒子边界的最大值，X
min
为粒子边界的最小值；根据P＝rand*π
‑
0.5*π，得到随机数P；其中，rand为随机函数；根据x＝gbest+T*tan(P)，得到全局优化量x；其中，gbest为所述全局预测结果，δx＝T*tan(P)，且δx为全局优化预测中间量；
将所述全局优化量x进行函数方...

【专利技术属性】
技术研发人员：张永峰，田新栋，张梦华，张祯滨，陈月辉，
申请(专利权)人：济南大学，
类型：发明
国别省市：