分类模型训练方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109919202A(43)申请公布日2019.06.21(21)申请号201910120408.5(22)申请日2019.02.18(71)申请人新华三技术有限公司合肥分公司地址230000安徽省合肥市高新区创新大道2800号创新产业园二期J1楼A座5-9层(72)发明人吴问天(74)专利代理机构北京超凡志成知识产权代理事务所(普通合伙)11371代理人张洋(51)Int.Cl.G06K9/62(2006.01)G06K9/00(2006.01)G06N3/00(2006.01)权利要求书3页说明书13页附图4页(54)发明名称分类模型训练方法及装置(57)摘要本发明实施例涉及图像处理领域，提供一种分类模型训练方法及装置，所述分类模型训练方法包括：获取待训练数据集，并将待训练数据集划分为训练样本集及验证样本集；建立对地物进行分类的分类模型，分类模型包括模型参数；基于验证样本集，利用粒子群优化算法对分类模型包括的模型参数进行参数优化，得到优化后的分类模型；利用训练样本集对优化后的分类模型进行训练，以使得训练后的分类模型对遥感图像进行地物分类。与现有技术相比，本发明实施例利用粒子群优化算法迭代选取分类模型的最优模型参数，避免了分类模型训练过程中模型参数选择的盲目性，提高了遥感图像的分类精度。CN109919202ACN109919202A权利要求书1/3页1.一种分类模型训练方法，其特征在于，所述方法包括：获取待训练数据集，并将所述待训练数据集划分为训练样本集及验证样本集；建立对地物进行分类的分类模型，所述分类模型包括模型参数；基于所述验证样本集，利用粒子群优化算法对所述分类模型包括的模型参数进行参数优化，得到优化后的分类模型；利用所述训练样本集对优化后的分类模型进行训练，以使得训练后的分类模型对遥感图像进行地物分类。2.如权利要求1所述的方法，其特征在于，所述模型参数包括惩罚系数和核函数参数，所述建立对地物进行分类的分类模型的步骤，包括：基于最小二乘孪生支持向量机，建立对地物进行分类的分类模型其中，和分别表示m1个A类训练样本和m2个B类训练样本，n是样TTT本维数，e1和e2是单位向量，K(·,·)是选取的核函数，C1和C2是惩罚系数，M＝[AB],wk和bk(k＝1,2)为超平面参数，y1和y2表示误差量。3.如权利要求2所述的方法，其特征在于，所述基于所述验证样本集，利用粒子群优化算法对所述分类模型包括的模型参数进行参数优化，得到优化后的分类模型的步骤，包括：对粒子群优化算法进行参数初始化，随机设置每个粒子的第一位置和第一速度；基于所述验证样本集，依据每个粒子的第一位置和第一速度计算每个粒子的适应度值；按照每个粒子的适应度值，确定出每个粒子的个体最优位置和所有粒子的全局最优位置；依据每个粒子的个体最优位置、所有粒子的全局最优位置、每个粒子的第一位置和第一速度，按照粒子群优化算法中的进化方程计算出每个粒子的第二位置及第二速度；利用每个粒子的第二位置及第二速度分别替代每个粒子的第一位置和第一速度，并执行计算每个粒子的适应度值的步骤，直至满足迭代条件，得到所有粒子最终的全局最优位置；将所述全局最优位置中第一参数、第二参数和第三参数的值分别作为惩罚系数和核函数参数的值代入所述分类模型，得到优化后的分类模型。4.如权利要求3所述的方法，其特征在于，所述基于所述验证样本集，依据每个粒子的第一位置和第一速度计算每个粒子的适应度值的步骤，包括：将所述粒子的第一位置中第一参数、第二参数和第三参数的值分别作为惩罚系数和核函数参数的值代入所述分类模型；利用所述验证样本集对所述分类模型进行训练，得到所述分类模型的最优超平面参数；将所述最优超平面参数代入用于评价所述分类模型的决策函数，得到所述验证样本集2CN109919202A权利要求书2/3页的监测值；将所述验证样本集的监测值和预设的样本真实值代入预设的模型适应度函数，计算出所述粒子的适应度值。5.如权利要求3所述的方法，其特征在于，所述按照每个粒子的适应度值，确定出每个粒子的个体最优位置和所有粒子的全局最优位置的步骤，包括：依据所述粒子的适应度值与所述粒子的历史最优适应度值确定出所述粒子的个体最优适应度值，并将所述个体最优适应度值对应的位置作为所述粒子的个体最优位置；依据每个粒子的个体最优适应度值与所有粒子的历史最优适应度值确定出所有粒子的种群最优适应度值，并将所述种群最优适应度值对应的位置作为所有粒子的全局最优位置。6.如权利要求3所述的方法，其特征在于，所述依据每个粒子的个体最优位置、所有粒子的全局最优位置、每个粒子的第一位置和第一速度，按照粒子群优化算法中的进化方程计算出每个粒子的第二位置及第二速度的步骤，包