買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉韶關(guān)學(xué)院申請的專利基于增益率與堆疊自編碼器的并行隨機(jī)森林優(yōu)化方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114707581B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-22發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210280660.4，技術(shù)領(lǐng)域涉及：G06F18/2431；該發(fā)明授權(quán)基于增益率與堆疊自編碼器的并行隨機(jī)森林優(yōu)化方法是由毛伊敏;戴經(jīng)國;陳偉達(dá);陳志剛;霍英設(shè)計研發(fā)完成，并于2022-03-21向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于增益率與堆疊自編碼器的并行隨機(jī)森林優(yōu)化方法在說明書摘要公布了：本發(fā)明提出了一種基于增益率與堆疊自編碼器的并行隨機(jī)森林優(yōu)化方法，包括：S1，對訓(xùn)練數(shù)據(jù)集進(jìn)行特征降維：先對各特征計算特征依賴度獲得候選特征集，再對候選特征集的各特征使用冗余過濾函數(shù)過濾候選特征集之外的冗余與不相關(guān)特征，并使用堆疊自編碼器對數(shù)據(jù)集進(jìn)行特征提取得到降維數(shù)據(jù)集；S2，子空間選擇：計算由降維數(shù)據(jù)集初始化生成的特征子空間的信息含量后判斷是否滿足設(shè)定閾值，并對不滿足設(shè)定閾值的特征子空間進(jìn)行重新選?。籗3，并行構(gòu)建隨機(jī)森林：計算各節(jié)點分配后的節(jié)點數(shù)據(jù)量以衡量節(jié)點負(fù)載后，通過節(jié)點分配函數(shù)選擇負(fù)載較小的節(jié)點分配Reduce任務(wù)；S4，將待測數(shù)據(jù)輸入隨機(jī)森林，得到最終分類結(jié)果。本發(fā)明在分類效果和并行效率上都有顯著的提升。

本發(fā)明授權(quán)基于增益率與堆疊自編碼器的并行隨機(jī)森林優(yōu)化方法在權(quán)利要求書中公布了：1.一種基于增益率與堆疊自編碼器的并行隨機(jī)森林優(yōu)化方法，其特征在于，包括： S1，對圖像訓(xùn)練數(shù)據(jù)集進(jìn)行特征降維：先對各特征計算特征依賴度獲得候選特征集，再對候選特征集的各特征使用冗余過濾函數(shù)過濾候選特征集之外的冗余與不相關(guān)特征，并使用堆疊自編碼器對數(shù)據(jù)集進(jìn)行特征提取得到降維圖像數(shù)據(jù)集；所述S1包括： S1-1，特征選擇：用于減少數(shù)據(jù)集中的冗余與不相關(guān)特征數(shù)； 1獲取平均信息增益：計算每個特征的信息增益IGi，然后根據(jù)每個特征增益值的概率計算平均信息增益AIG； 2過濾不相關(guān)特征：根據(jù)AIG得到每個特征的增益評估系數(shù)gi并計算每個特征的增益率Gri，然后根據(jù)特征依賴度FD來去除不相關(guān)的特征；所述特征依賴度FD包括： FDdi,L＝gi×Grdi,L 其中FDdi,L為在標(biāo)簽集L下特征di的特征依賴度； di表示第i個特征； gi為增益系數(shù)； Grdi,L為標(biāo)簽集L下特征di的增益率； IGi為特征的信息增益； AIG為平均信息增益； k為去除不相關(guān)特征后的特征總個數(shù)； 3過濾冗余特征：通過冗余過濾函數(shù)RFF對集合F中對優(yōu)勢特征在類別分類時有較大影響的特征進(jìn)行過濾，然后重新組合獲得優(yōu)化后的特征集；所述冗余過濾函數(shù)RFF包括： RFFdα,dβ＝FDL,dα-Grdα,dβ 其中FDL,dα為標(biāo)簽集L下優(yōu)勢特征dα的特征依賴度； Grdα,dβ表示特征dj關(guān)于特征dk的增益率； dα表示第α個特征； dβ表示第β個特征； S1-2，特征提?。簩μ卣鬟x擇后的數(shù)據(jù)集進(jìn)一步提取優(yōu)化； 1初始權(quán)重矩陣與特征矩陣重構(gòu)：使用堆疊自編碼器獲取初始權(quán)重矩陣和偏置，通過反向傳播調(diào)整權(quán)重矩陣以及偏置重構(gòu)特征矩陣，并使用SoftMax分類器進(jìn)行分類；所述初始權(quán)重矩陣與特征矩陣重構(gòu)包括： 首先，設(shè)置初始堆疊自動編碼器含有一層輸入層，一層輸出層以及兩層隱藏層，其中兩層隱藏層的節(jié)點個數(shù)分別為h，h′，然后輸入特征矩陣D′獲取初始的權(quán)重矩陣，其中，輸入特征矩陣到第一層隱藏層的權(quán)重矩陣為W1，偏置為b1，第一層隱藏層到第二層隱藏層的權(quán)重矩陣為W2，偏置為b2，第二層隱藏層到輸出層的權(quán)重矩陣為W3，偏置為b3，則編碼與解碼過程表示如下： M1＝σD′W1+b1 M2＝σM1W2+b2 D″＝σM2W3+b3 其中σ·為激活函數(shù)； D″為重構(gòu)后的特征矩陣， M1為第一層隱藏層的中間矩陣， M2為第二層隱藏層的中間矩陣； 最后，將M2與標(biāo)簽集L合并后得到特征提取后的數(shù)據(jù)集DB″，并使用SoftMax分類器對數(shù)據(jù)集DB″進(jìn)行分類，獲得關(guān)于M2的分類矩陣C，則可得出M2的預(yù)測標(biāo)簽fM2為： fM2＝M2C fM2＝σM1W2+b2C 其中fM2為重構(gòu)矩陣D″通過SoftMax分類預(yù)測得到的預(yù)測標(biāo)簽集； 2信息損失量與分類誤差估計：采用L2范數(shù)對信息損失量與分類誤差進(jìn)行估計； 3參數(shù)集優(yōu)化：為了使信息損失量和分類誤差總和達(dá)到最小，提出了參數(shù)優(yōu)化函數(shù)對參數(shù)集進(jìn)行優(yōu)化； S2，子空間選擇：計算由降維圖像數(shù)據(jù)集初始化生成的特征子空間的信息含量后判斷是否滿足設(shè)定閾值，并對不滿足設(shè)定閾值的特征子空間進(jìn)行重新選取； S3，并行構(gòu)建隨機(jī)森林：計算各節(jié)點分配后的節(jié)點數(shù)據(jù)量以衡量節(jié)點負(fù)載后，通過節(jié)點分配函數(shù)選擇負(fù)載較小的節(jié)點分配Reduce任務(wù)； S4，將待測圖像數(shù)據(jù)輸入隨機(jī)森林，得到最終分類結(jié)果。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人韶關(guān)學(xué)院，其通訊地址為：512023 廣東省韶關(guān)市湞江區(qū)大學(xué)路288號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。