基于深度聚类的品项分配策略、系统、存储介质和设备技术方案

本发明专利技术实施例公开基于深度聚类的品项分配策略、系统、存储介质和设备，包括以下步骤：构建DCSSAE网络框架，所述DCSSAE网络框架包括堆叠式稀疏自编码器网络和深度嵌入聚类层；对堆叠式稀疏自编码器网络进行预训练，得到预训练后的网络权重矩阵，基于得到的网络权重矩阵对DCSSAE网络中的编码器权重矩阵和解码器权重矩阵进行初始化设置；通过深度嵌入聚类层对原始数据集进行预训练，得到聚类中心，基于得到的聚类中心，去初始化DCSSAE网络中的聚类中心和所有数据的聚类标签；将得到的聚类中心和预训练后的网络权重矩阵作为DCSSAE网络的初始化数据进行迭代训练，得到聚类划分结果。解决了在实际的应用中，订单的挑选时间过长，设备的挑选能力低，自动化挑拣能力低。自动化挑拣能力低。自动化挑拣能力低。

【技术实现步骤摘要】
基于深度聚类的品项分配策略、系统、存储介质和设备


[0001]本专利技术属于品项分类
，涉及提供基于深度聚类的品项分配策略、系统、存储介质和设备。

技术介绍

[0002]品项分配过程就是将订单中需要拣选的那些相关性强的货物归为一个类别并放入到对应该类别的一个拣选区内，这个过程就视为一个具体的聚类问题。选择合适的品项分配策略可以在物理条件不变的情况下，大幅度的提高拣选机的拣选能力。
[0003]现有的聚类方法在计算过程中，定义的聚类损失可能会破环潜在(特征)空间导致缺乏对局部结构的考虑；或者是缺乏对输入数据稀疏特性的考虑；又或者是在数据呈现高维性的现实世界中，使用传统的自编码器(如DEC或ID EC)去处理这些高维数据和其自身的冗余信息，而这些冗余信息会对表示学习产生消极的影响，这种情况导致在实际的应用中，订单的挑选时间过长，设备的挑选能力低，自动化挑拣能力低。

技术实现思路

[0004]本专利技术的目的在于解决现有技术中订单的挑选时间过长，设备的挑选能力低的问题，提供基于深度聚类的品项分配策略、系统、存储介质和设备。
[0005]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0006]基于深度聚类的品项分配策略，包括以下步骤：
[0007]S1：构建DCSSAE网络框架，所述DCSSAE网络框架包括堆叠式稀疏自编码器网络和深度嵌入聚类层；
[0008]S2：对堆叠式稀疏自编码器网络进行预训练，得到预训练后的网络权重矩阵，基于得到的网络权重矩阵对DCSSAE网络中的编码器权重矩阵和解码器权重矩阵进行初始化设置；
[0009]S3：通过深度嵌入聚类层对原始数据集进行预训练，得到聚类中心，基于得到的聚类中心，对DCSSAE网络中的聚类中心和所有数据的聚类标签进行初始化设置；
[0010]S4：将S3中得到的聚类中心和S2中得到的预训练后的网络权重矩阵作为DCSSAE网络的初始化数据进行迭代训练，得到聚类划分结果。
[0011]本专利技术的进一步改进在于：
[0012]所述步骤S4包括以下步骤：
[0013]设定最大迭代次数maxiter和目标分布的更新间隔T；
[0014]当迭代的训练次数大于最大迭代次数maxiter时，表示训练完成，输出训练结果。
[0015]所述步骤S4包括以下步骤：
[0016]所述DCSSAE网络中包含变量参数iter，iter＝1；
[0017]当iter小于等于设定的最大迭代次数maxiter时，进行迭代训练，并判断iter能否整除设定的目标分布的更新间隔T，若能，则执行S401
‑
S405：
[0018]S401：获取S2中DCSSAE网络的编码器中每个数据的低维嵌入表示Z，
[0019]S402：根据式(1)、式(2)和S401中的每个数据的低维嵌入表示Z更新目标分布P；
[0020][0021]其中，q
ik
是低维表示点z
i
与聚类中心μ
k
间的相似度，表示将样本i分配到簇k的概率，进一步能够将z
i
映射为软标签q
i
；
[0022]目标分布P定义为：
[0023][0024]式中，P
ik
表示辅助分布，P
ik
是P的集合元素；
[0025]S403：将步骤S402中的标签分配结果保存为lable
old
；
[0026]S404：根据式(3)更新每个数据的标签lable
i
；
[0027][0028]S405：计算数据更新后改变的标签个数，用改变的标签个数除以原始数据集中数据的个数：
[0029]若得到的计算值小于预设的停止阈值δ，则停止训练，输出训练结果；
[0030]若得到的计算值大于预设的停止阈值δ，则执行S406
‑
S407；
[0031]S406：从原始数据集中选出m个样本，使用m个样本进行小批量随机梯度下降更新网络中的参数，
[0032]S407：每更新完成一次，变量iter加1，若变量iter加1后大于最大迭代次数maxiter，则训练完成，输出训练结果；
[0033]若变量iter加1后小于等于最大迭代次数maxiter，则判断变量iter能否整除目标分布的更新间隔T，若能，则重复执行步骤S401
‑
S405，若不能则执行步骤S406
‑
S407。
[0034]所述步骤S407包括以下步骤：
[0035]S4071：更新得到的k个聚类中心μ：
[0036][0037]其中，L
c
表示深度嵌入聚类层的聚类损失；
[0038]S4072：更新解码器权重矩阵W
′
：
[0039][0040]其中，L
rec
表示堆叠式稀疏自编码器网络的重构损失；
[0041]S4073：更新编码器权重矩阵W：
[0042][0043]所述步骤S4071中，L
c
的计算方法为：
[0044][0045]其中，q
ik
是低维表示点z
i
与聚类中心μ
k
间的相似度，P
ik
表示辅助分布；D
KL
表示KL散度。
[0046]所述步骤S4072中，
[0047]L
rec
堆叠式稀疏自编码器网络的重构损失的计算方法为：
[0048]将表示给定输入x
i
的隐藏层单元的激活，对于给定的N个样本，隐藏层第j个神经元的平均激活值定义为：
[0049][0050]对激活施加约束以强制特征空间变得稀疏，将其表示为：
[0051][0052]其中ρ是稀疏参数，重构损失中增加惩罚项，惩罚与ρ
j
不同的单元，用KL散度表示如下：
[0053][0054]式中，h表示隐藏单元的数量；
[0055]在AE中的重构损失函数定义为：
[0056][0057]式中，X表示输入矩阵X∈R
n
×
d
；X
′
表示重构数据矩阵；W表示解码器权重矩阵W∈R
d
×
d
′
，d
′
是表示嵌入层维度；W
′
表示解码器权重矩阵W
′
∈R
d
′×
d
；
[0058]基于式(10)和式(11)修正重构损失：
[0059][0060]其中，β表示控制稀疏性强度的参数。
[0061]所述堆叠式稀疏自编码器网络为AEE网络。
[0062]基于深度聚类的品项分配系统，包括网络构建模块、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度聚类的品项分配策略，其特征在于，包括以下步骤：S1：构建DCSSAE网络框架，所述DCSSAE网络框架包括堆叠式稀疏自编码器网络和深度嵌入聚类层；S2：对堆叠式稀疏自编码器网络进行预训练，得到预训练后的网络权重矩阵，基于得到的网络权重矩阵对DCSSAE网络中的编码器权重矩阵和解码器权重矩阵进行初始化设置；S3：通过深度嵌入聚类层对原始数据集进行预训练，得到聚类中心，基于得到的聚类中心，对DCSSAE网络中的聚类中心和所有数据的聚类标签进行初始化设置；S4：将S3中得到的聚类中心和S2中得到的预训练后的网络权重矩阵作为DCSSAE网络的初始化数据进行迭代训练，得到聚类划分结果。2.根据权利要求1所述的基于深度聚类的品项分配策略，其特征在于，所述步骤S4包括以下步骤：设定最大迭代次数maxiter和目标分布的更新间隔T；当迭代的训练次数大于最大迭代次数maxiter时，表示训练完成，输出训练结果。3.根据权利要求2所述的基于深度聚类的品项分配策略，其特征在于，所述步骤S4包括以下步骤：所述DCSSAE网络中包含变量参数iter，iter＝1；当iter小于等于设定的最大迭代次数maxiter时，进行迭代训练，并判断iter能否整除设定的目标分布的更新间隔T，若能，则执行S401
‑
S405：S401：获取S2中DCSSAE网络的编码器中每个数据的低维嵌入表示Z，S402：根据式(1)、式(2)和S401中的每个数据的低维嵌入表示Z更新目标分布P；其中，q
ik
是低维表示点z
i
与聚类中心μ
k
间的相似度，表示将样本i分配到簇k的概率，进一步能够将z
i
映射为软标签q
i
；目标分布P定义为：式中，P
ik
表示辅助分布，P
ik
是P的集合元素；S403：将步骤S402中的标签分配结果保存为lable
old
；S404：根据式(3)更新每个数据的标签lable
i
；S405：计算数据更新后改变的标签个数，用改变的标签个数除以原始数据集中数据的个数：若得到的计算值小于预设的停止阈值δ，则停止训练，输出训练结果；若得到的计算值大于预设的停止阈值δ，则执行S406
‑
S407；
S406：从原始数据集中选出m个样本，使用m个样本进行小批量随机梯度下降更新网络中的参数，S407：每更新完成一次，变量iter加1，若变量iter加1后大于最大迭代次数maxiter，则训练完成，输出训练结果；若变量iter加1后小于等于最大迭代次数maxiter，则判断变量iter能否整除目标分布的更新间隔T，若能，则重复执行步骤S401
‑
S405，若不能则执行步骤S406
‑
S407。4.根据权利要求3所述的基于深度聚类的品项分配策略，其特征在于，所述步骤S407包括以下步骤：S4071：更新得到的k个聚类中心μ：其中，L
c
表示深度嵌入聚类层的聚类损失；S4072：更新解码器...

【专利技术属性】
技术研发人员：尚昊，赵加坤，
申请(专利权)人：江苏至信信用评估咨询有限公司，
类型：发明
国别省市：