【技术实现步骤摘要】
一种基于机器学习的插座分类方法
[0001]本专利技术涉及图像处理领域,具体为一种基于机器学习的插座分类方法。
技术介绍
[0002]插座是人们日常生活中常见的电力接口设备,用于连接电器设备和电源。然而,目前市场上,特别是在工业生产领域,插座产品种类繁多且插座样本的数量分布不均匀,各种插座外形相似但特征不一。如果没有明确的分类,人们在众多插座类型、尺寸和设计之间做出决定会出现困难,这就要求高效且准确的插座分类方法。传统的插座分类方法需要依赖人工的肉眼进行分类,然而这种方法存在一些问题,如分类准确性低、容易出错以及高成本等。因此,现代社会亟需一种更先进的插座分类技术,以满足实际应用的需求。
技术实现思路
[0003]基于以上背景,本专利技术的目的在于提供一种基于机器学习的插座分类方法。
[0004]为了实现上述专利技术目的,本专利技术提供以下技术方案:
[0005]一种基于机器学习的插座分类方法,该方法包括以下步骤:
[0006]获取待分类的插座图像,将插座图像输入至训练好的插座分类模型 ...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的插座分类方法,其特征在于:该方法包括以下步骤:获取待分类的插座图像,将插座图像输入至训练好的插座分类模型,所述插座分类模型由p个弱神经网络分类器构成,每个弱神经网络分类器输出回归值;累加所有弱神经网络分类器的回归值,得到最终的分类结果;其中,所述插座分类模型通过如下方法训练获得:B1、构建插座分类模型,包含若干个弱神经网络分类器;每个弱神经网络分类器的输入样本数为m;B2、随机初始化每个弱神经网络分类器的输入层到隐藏层和隐藏层到输出层的连接权值v、w以及阈值θ,阈值θ用于确定神经元的激活状态;B3、若迭代次数小于最大迭代次数,则调整弱神经网络分类器数量和阈值范围θ重新执行步骤B4
‑
B7,否则执行步骤B8;B4、将训练数据集的样本作为插座分类模型的输入,每个弱神经网络分类器输出回归值;B5、每个弱神经网络分类器根据损失函数推导定理计算更新连接权值v、w和阈值θ;其中,和为微分项,η为学习率,t是插座分类模型中弱神经网络分类器的序数,L(t)是第t个弱神经网络分类器的损失函数,w=w
t
‑1、v=v
t
‑1、θ=θ
t
‑1表示L(t)对w、v和θ的求偏导后,微分式中w、v、θ项取值分别为w
t
‑1、v
t
‑1和θ
t
‑1;B6、每个样本累加所有弱神经网络分类器的回归值;B7、计算所有样本的最终的分类结果与真值的均方误差,若均方误差大于目标阈值,则则回到步骤B3,否则继续到步骤B8;B8、输出弱神经网络分类器的数量及连接权值v、w以及阈值θ,获得训练好的插座分类模型。2.根据权利要求1所述的一种基于机器学习的插座分类方法...
【专利技术属性】
技术研发人员:周恩,黄志炳,韦泽,王建海,马燕君,陆佳杰,姬文静,曾祺,
申请(专利权)人:中国计量大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。