公开(公告)号：CN113627471A

公开(公告)日：2021-11-09

申请号：CN202110753790.0

申请日：2021-07-03

Applicant: 西安电子科技大学

Inventor： 李宏 ,  高卫峰 ,  白利霞 ,  李和成 ,  谢晋

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06N3/12

Abstract: 本发明属于机器学习与智能计算技术领域，公开了一种数据分类方法、系统、设备及信息数据处理终端，所述数据分类方法包括：将每个数据集划分为训练集和测试集；初始化单隐层前馈神经网络(SLFN)的结构和部分网络参数，包括隐层神经元的状态、输入权值和隐层偏置，并计算最优输出权值；评估生成的染色体的适应度函数值；通过基于极限学习机的协同遗传算法(CGA‑ELM)同时优化网络结构和连接参数，得到最优解作为最终的单隐层前馈神经网络；使用测试集测试网络性能，输出平均分类准确率。本发明提供的CGA‑ELM在泛化能力方面显著优于CGA和ELM；与其他先进算法相比，CGA‑ELM能在保持收敛速度的前提下达到更高的识别能力，具有更大的竞争能力和更好的泛化性能。

公开(公告)号：CN112257861A

公开(公告)日：2021-01-22

申请号：CN202010991342.X

申请日：2020-09-20

Applicant: 西安电子科技大学

Inventor： 李宏 ,  张莉 ,  李和成 ,  刘淑华 ,  高卫峰

IPC: G06N3/08 ,  G06N3/04 ,  G06N3/00 ,  G06K9/62 ,  G06F17/16

Abstract: 本发明属于模式识别与分类技术领域，公开了一种用于模式识别与分类的双层学习模型构建方法、交互式学习方法及应用。在双层学习新模型中，上层优化网络结构，目标是最小化网络复杂度，同时使得在测试集上的错误分类率最小；下层优化网络参数(连接权值和偏置)，目标是在训练集上的均方误差最小。为了求解双层学习新模型，本发明提供了一种交互式学习算法，其上层算法采用二进制粒子群算法优化网络结构编码，下层算法采用LM算法优化网络参数编码。本发明将新模型和相应算法应用到数据分类中，极大地提高了分类精度。本发明提供神经网络自动设计的双层学习新模型和相应的交互式学习算法，并将其应用于数据分类问题。

公开(公告)号：CN115661546A

公开(公告)日：2023-01-31

申请号：CN202211400699.1

申请日：2022-11-09

Applicant: 西安电子科技大学

Inventor： 李宏 ,  高卫峰 ,  白利霞 ,  李和成 ,  谢晋 ,  黄玲玲

IPC: G06V10/764 ,  G06V10/771 ,  G06V10/82 ,  G06N3/048 ,  G06N3/086 ,  G06N3/126

Abstract: 一种特征选择与分类器联合设计的多目标优化分类方法，包括以下步骤；步骤1：利用分层随机技术将用于医疗诊断、灰度图像分类的高维数据集划分为训练集和测试集，并对训练集和测试集的特征进行标准化；步骤2：采用混合编码方案对个体进行编码并生成初始种群；步骤3：利用NSGA‑II和混合算子建立并对多目标特征选择模型进行求解；步骤4：求解得到多个帕累托最优解，每个最优解包含一个特征子集和一个设计好的分类器，并根据训练误差对解进行排序；步骤5：提取经过整个模型求解可得选择后的特征并输入到分类器，通过选择性神经网络集成得到最终的诊断结果或灰度图像分类结果。本发明能够解决具有高维特征样本的工程技术应用，提高了分类精度。