基于红狐优化算法的分布式CatB肌体检测方法及设备技术

本发明专利技术提供了一种基于红狐优化算法的分布式CatB肌体检测方法及设备。所述方法包括：步骤1：对原始肌体数据进行预处理；步骤2：构建类别性特征梯度提升树CatB模型，使用改进红狐优化算法对类别性特征梯度提升树CatB模型的参数进行分布式优化；步骤3：将最优参数代入优化后的类别性特征梯度提升树CatB模型，读取预设数量的肌体数据集进行模型训练；步骤4：将训练完毕的模型用于肌体异常检测。本发明专利技术可以有效地推动相关检测行业的智能化发展，提高肌体检测的效率和准确性，有着重要的社会和经济意义。义。义。

【技术实现步骤摘要】
基于红狐优化算法的分布式CatB肌体检测方法及设备


[0001]本专利技术实施例涉及肌体异常检测
，尤其涉及一种基于红狐优化算法的分布式CatB肌体检测方法及设备。

技术介绍

[0002]当今，肌体异常检测领域中常用的技术包括传统的统计学方法和机器学习方法。传统的统计学方法主要包括控制图、时间序列分析和异常统计方法等。这些方法是从数据分布的角度出发，分析数据与正常情况的差异，从而确定数据是否异常。这些方法通常基于特定的假设，例如数据呈正态分布或服从某种特定的分布，但是现实数据往往不具备这种特殊性质，因此这些方法可能会出现误报或漏报的情况。相对于传统的统计学方法，机器学习方法在肌体异常检测领域中得到了越来越广泛的应用。机器学习方法是通过从大量的数据中学习模式和规律，进而进行异常检测。常用的机器学习方法包括基于概率模型的方法、基于分类器的方法和基于聚类的方法等。这些方法在许多实际应用中表现出色，但也存在一些缺陷，如需要大量的标注数据、模型参数的选择和调整等问题。此外，由于肌体数据往往是高度机密和敏感的，隐私保护也是机器学习方法面临的一个挑战。因此，开发一种基于红狐优化算法的分布式CatB肌体检测方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题。

技术实现思路

[0003]针对现有技术存在的上述问题，本专利技术实施例提供了一种基于红狐优化算法的分布式CatB肌体检测方法及设备。
[0004]第一方面，本专利技术的实施例提供了一种基于红狐优化算法的分布式CatB肌体检测方法，包括：步骤1：对原始肌体数据进行预处理；步骤2：构建类别性特征梯度提升树CatB(即CatBoost)模型，使用改进红狐优化算法对类别性特征梯度提升树CatB模型的参数进行分布式优化；步骤3：将最优参数代入优化后的类别性特征梯度提升树CatB模型，读取预设数量的肌体数据集进行模型训练；步骤4：将训练完毕的模型用于肌体异常检测。
[0005]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于红狐优化算法的分布式CatB肌体检测方法，所述对原始肌体数据进行预处理，包括：对原始肌体数据进行数据清洗、数据去重、数据归一化和特征选择。
[0006]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于红狐优化算法的分布式CatB肌体检测方法，步骤2具体包括：步骤2.1：创建spark环境sc，将训练集划分为若干个子集，每个子集放置于一个节点上，采用类别性特征梯度提升树CatB算法训练子模型，得到一个基础的分布式类别性特征梯度提升树CatB算法模型；步骤2.2：引入改进红狐优化算法，确定适宜度函数和解空间范围，对类别性特征梯度提升树CatB参数进行优化。
[0007]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于红狐优化算法的分布式CatB肌体检测方法，步骤2.2具体包括：步骤2.2.1：种群初始化，在主节点Spark Drive
上，初始化整个种群的信息，并使用parallelize函数将个体分配到节点上；步骤2.2.2：计算适宜值，每个分区的适宜值计算之后会通过broadcast广播变量进行同步更新，将最适宜值进行广播；步骤2.2.3：红狐个体向最优个体进行移动，重新计算适宜值并排序，将最优个体进行广播更新，根据种群更新条件进行淘汰、繁衍与变异生成新的种群；步骤2.2.4：重复步骤2.2.3直至不再符合迭代条件。
[0008]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于红狐优化算法的分布式CatB肌体检测方法，所述初始化整个种群的信息，包括：初始红狐数量、解空间范围以及种群的最大迭代次数。
[0009]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于红狐优化算法的分布式CatB肌体检测方法，所述红狐个体向最优个体进行移动，其中个体移动路径包括：
[0010][0011]其中，t为迭代次数，i为种群中的个体编号，为每个个体，为最优个体，α为距离随机缩放超参数，d()为距离函数，sign为符号函数。
[0012]第二方面，本专利技术的实施例提供了一种基于红狐优化算法的分布式CatB肌体检测装置，包括：第一主模块，用于实现步骤1：对原始肌体数据进行预处理；第二主模块，用于实现步骤2：构建类别性特征梯度提升树CatB模型，使用改进红狐优化算法对类别性特征梯度提升树CatB模型的参数进行分布式优化；第三主模块，用于实现步骤3：将最优参数代入优化后的类别性特征梯度提升树CatB模型，读取预设数量的肌体数据集进行模型训练；第四主模块，用于实现步骤4：将训练完毕的模型用于肌体异常检测。
[0013]第三方面，本专利技术的实施例提供了一种电子设备，包括：
[0014]至少一个处理器；以及
[0015]与处理器通信连接的至少一个存储器，其中：
[0016]存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种实现方式中任一种实现方式所提供的基于红狐优化算法的分布式CatB肌体检测方法。
[0017]第四方面，本专利技术的实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的基于红狐优化算法的分布式CatB肌体检测方法。
[0018]本专利技术实施例提供的基于红狐优化算法的分布式CatB肌体检测方法及设备，具有高准确性、高效率、强泛化能力和稳定性，并且可以进一步优化和改进，提高算法在实际应用中的应用效果和可靠性，在肌体异常检测领域具有重要的应用价值和推广前景，可以有效地推动相关检测行业的智能化发展，提高肌体检测的效率和准确性，有着重要的社会和经济意义。
附图说明
[0019]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单的介绍，显而易见地，下面描述中的附图是本发
明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1为本专利技术实施例提供的基于红狐优化算法的分布式CatB肌体检测方法流程图；
[0021]图2为本专利技术实施例提供的基于红狐优化算法的分布式CatB肌体检测装置结构示意图；
[0022]图3为本专利技术实施例提供的电子设备的实体结构示意图。
具体实施方式
[0023]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。另外，本专利技术提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于红狐优化算法的分布式CatB肌体检测方法，其特征在于，包括：步骤1：对原始肌体数据进行预处理；步骤2：构建类别性特征梯度提升树CatB模型，使用改进红狐优化算法对类别性特征梯度提升树CatB模型的参数进行分布式优化；步骤3：将最优参数代入优化后的类别性特征梯度提升树CatB模型，读取预设数量的肌体数据集进行模型训练；步骤4：将训练完毕的模型用于肌体异常检测。2.根据权利要求1所述的基于红狐优化算法的分布式CatB肌体检测方法，其特征在于，所述对原始肌体数据进行预处理，包括：对原始肌体数据进行数据清洗、数据去重、数据归一化和特征选择。3.根据权利要求2所述的基于红狐优化算法的分布式CatB肌体检测方法，其特征在于，步骤2具体包括：步骤2.1：创建spark环境sc，将训练集划分为若干个子集，每个子集放置于一个节点上，采用类别性特征梯度提升树CatB算法训练子模型，得到一个基础的分布式类别性特征梯度提升树CatB算法模型；步骤2.2：引入改进红狐优化算法，确定适宜度函数和解空间范围，对类别性特征梯度提升树CatB参数进行优化。4.根据权利要求3所述的基于红狐优化算法的分布式CatB肌体检测方法，其特征在于，步骤2.2具体包括：步骤2.2.1：种群初始化，在主节点Spark Drive上，初始化整个种群的信息，并使用parallelize函数将个体分配到节点上；步骤2.2.2：计算适宜值，每个分区的适宜值计算之后会通过broadcast广播变量进行同步更新，将最适宜值进行广播；步骤2.2.3：红狐个体向最优个体进行移动，重新计算适宜值并排序，将最优个体进行广播更新，根据种群更新条...

【专利技术属性】
技术研发人员：陈宏伟，吴涛，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：