一种玻璃类型识别方法和存储介质技术

本发明专利技术涉及特征选择学习技术领域。本发明专利技术提出的一种玻璃类型识别方法通过将获得的玻璃特征数据利用构建的半监督特征算法进行特征选择得到特征最优子集，利用特征最优子集筛选数据组成训练集训练最近邻分类器对未知的玻璃数据进行类型识别。在构建的半监督特征算法中利用对约束对的计算得到特征数据集中的特征的权重，考虑了样本特征在加权特征空间下的变化，得到更有效的局部信息，在节约了成本的前提下提高了模型对玻璃的分类性能。的前提下提高了模型对玻璃的分类性能。的前提下提高了模型对玻璃的分类性能。

【技术实现步骤摘要】
一种玻璃类型识别方法和存储介质


[0001]本专利技术涉及特征选择学习
，尤其是指一种玻璃类型识别方法和存储介质。

技术介绍

[0002]玻璃是人们生活中常见的物质，一些氧化物构成，含有钠，镁，铝等化学元素。玻璃类型识别是根据折射率和化学成分来识别不同用途的玻璃，其用途广泛。如，玻璃类型识别可以用于犯罪现场调查，研究人员通过分析玻璃的化学成分，判断玻璃的来源和性质，从而提供犯罪侦查的线索；也可以用于材料科学领域，通过分析玻璃的折射率和氧化物含量，探索玻璃的物理特性和结构特征，从而优化玻璃的制造工艺和应用领域，促进材料学科的发展。
[0003]玻璃类型识别方法的关键问题就是准确高效地分析玻璃的特征与类别的关系。可以应用特征选择算法来进行分析。比如，利用全监督特征选择算法分析特征和类标签的相关性来评估特征和类别的关系。但在实际应用中，标签的获取常常需要大量的人力成本，因此开销巨大。因此，利用半监督特征选择算法是更好的选择。针对半监督特征选择，基于假设间隔和约束对的Relief特征选择方法已经被提出。该方法使用成对约束在原始特征空间中计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种玻璃类型识别方法，其特征在于：包括：S1:获取已知玻璃类型的多个不同的特征类别的特征数据将其作为数据集，将数据集中的一部分数据依据其已知的玻璃类型打上标签，称为有标签数据集，数据集中未进行标签的数据作为无标签数据集，根据有标签数据集中的数据生成不能连接约束对集C：C＝{(x
i
,x
j
)|x
i
和x
j
是不同种类的玻璃}；S2:初始化所有特征类别的特征权重w和特征间隔向量z，设置迭代参数，利用迭代方法计算特征权重w，迭代计算具体包括：S21：对每一对不能连接约束对(x
i
,x
j
)进行计算，包括：在无标签数据集中找到k个与x
i
距离最近的样本作为x
i
的近邻样本集合NH(x
i
)及k个与x
j
距离最近的样本作为x
j
的近邻样本集合NH(xx)；计算集合NH(x
j
)中的每个样本x
t
是x
i
在权重空间w下的异类近邻概率；计算集合NH(x
i
)中的每个样本x
t
是x
i
在权重空间w下的同类近邻概率；利用对约束对(x
i
,x
j
)计算得到的所有样本的异类近邻概率和同类近邻概率更新计算此约束对(x
i
,x
j
)的特征间隔向量z；S22：利用得到的所有约束对的特征间隔向量z计算得到每一次迭代后的特征权重w；S23：达到迭代循环结束条件后结束循环，输出迭代后的特征权重w；对迭代计算后的特征权重w中不同的类别特征根据特征类别的权重大小进行排序并选择得到特征类别最优子集；利用得到的特征类别最优子集对数据集进行约简得到约简的样本数据集；S3:构建最近邻分类器，以约简的样本数据集作为训练集，训练最近邻分类器，利用训练后的最近邻分类器对未知的玻璃特征数据进行分类，得到未知玻璃的类型。2.根据权利要求1所述的一种玻璃类型识别方法，其特征在于：所述将数据集中的一部分数据依据其已知的玻璃类型打上标签，称为有标签数据集，数据集中未进行标签的作为无标签数据集具体为：将数据集表示为X，其中第i块玻璃数据样本表示为将数据集表示为X，其中第i块玻璃数据样本表示为对玻璃数据集中少部分数据打上标签，记X
L
＝{x1,x2,
…
,x
l
}为有标签数据集合，用Y
L
＝{y1,y2,
…
,y
l
}表示有标签数据的标签集合；令X
U
＝{x
l+1
,x
l+2
,
…
,x
l+u
}为无标签数据集合，则X＝{X
L
...

【专利技术属性】
技术研发人员：张莉，陈心怡，赵雷，王邦军，
申请(专利权)人：苏州大学，
类型：发明
国别省市：