【技术实现步骤摘要】
本专利技术涉及视觉训练方案生成领域，尤其涉及一种基于自适应smote的视觉训练方案生成方法、装置、终端设备及计算机可读存储介质。
技术介绍
1、传统视觉训练方法主观且无法针对个体优化。机器学习和大数据技术为视觉训练带来新可能。通过分析眼部检测数据，发现潜在规律，为视觉异常者提供个性化、高效的视觉训练方案。这一领域正成为研究热点，有望提高视觉异常者生活质量。
2、目前，现有技术视觉训练方案的生成方法主要包括：根据用户的眼部信息，判断用户的视功能情况，进而根据用户的视功能情况，利用神经网络模型，生成或者选择用户的视觉训练方案。现有技术依赖神经网络模型的方式，需要使用大量的数据样本或者数据集对该模型进行训练，因此对数据集的数量具有较高的依赖性，在使用数据量较大时，会存在数据质量差的问题。
技术实现思路
1、本专利技术提供了一种基于自适应smote的视觉训练方案生成方法、装置、终端设备及计算机可读存储介质，以解决现有的神经网络模型对数据集需求量大、依赖性高的技术问题。
2、为了解决上述技术问题，本专利技术实施例提供了一种基于自适应smote的视觉训练方案生成方法，包括：
3、获取待训练用户的用户数据；其中，所述用户数据包括若干用户属性；
4、将所述用户数据输入训练好的特征提取网络，获得眼部数据特征；
5、将所述眼部数据特征输入训练好的分类器，确定所述待训练用户对应的类别；基于所述待训练用户对应的类别，通过预设的生成函数，生成所述待
6、其中，所述特征提取网络基于用户样本训练得到；所述用户样本包括原始样本以及基于所述原始样本通过smote算法生成的扩充样本，每个用户样本包括若干样本属性；所述smote算法引入自适应噪声参数和样本属性的重要性权重。
7、作为优选方案，所述扩充样本的获得方法包括：
8、根据下式对所述原始样本进行扩充：
9、xnew,f＝xi,f+λ×wf×α×(xnn,f―xi,f)；
10、其中，xnew为所述扩充样本，α为随机数，λ为自适应噪声参数，xnew,f为扩充样本在属性f上的值，xi,f为原始样本i在属性f上的值，xnn,f为所述原始样本最近邻样本在属性f上的值，wf为属性f的权重；
11、其中，所述属性f的权重具体为：
12、
13、其中，if为属性f的重要性，f为属性的总数。
14、作为优选方案，所述自适应噪声参数的计算公式为：
15、
16、其中，n是样本总数，是样本的均值，||.||表示欧几里得距离。
17、作为优选方案，所述属性的重要性的计算公式为：
18、
19、其中，为属性f的平均值。
20、作为优选方案，所述特征提取网络的损失函数为：
21、
22、其中，y为所述特征提取网络的目标输出，为所述特征提取网络的实际输出，t是当前训练迭代轮数，αl为余弦波的振幅系数，βl为正弦波的振幅系数，ω为所述余弦波的频率，φ为所述正弦波的频率，w为所述特征提取网络的权重，b为特征提取网络的偏置；
23、所述特征提取网络根据下式进行训练：
24、
25、
26、wk+1＝wk+δw；
27、bk+1＝bk+δb；
28、
29、
30、其中，δt是时间步长，κ为弹性常数，v为波动速度，κ0为初始弹性常数，κ0为初始波动速度，βz和γz是调整因子，k为所述特征提取网络的第k个参数点。
31、作为优选方案，所述分类器的训练方法包括：
32、对预设的脉冲神经网络进行训练；
33、通过量子哈密顿量对所述脉冲神经网络进行优化；
34、其中，所述脉冲神经网络的膜电位更新方程为：
35、v(t+1)＝λv(t)+∑kwk·xk(t)；
36、所述量子哈密顿量的计算公式为：
37、
38、其中，rk为所述脉冲神经网络第k个神经元的平均发放率，β和γ是超参数，xkj为所述脉冲神经网络第k个神经元和第j个神经元交互期间脉冲x的平均值，v(t)为时刻t的膜电位，λ为膜电位衰减因子，wk是第k个输入神经元到输出神经元的权重，xk(t)为第k个输入神经元在时刻t的脉冲。
39、作为优选方案，所述视觉训练方案生成方法还包括：
40、通过预设的第一目标函数，评估所述视觉训练方案的有效性；
41、基于所述待训练用户对应的类别，通过预设的第二目标函数对所述视觉训练方案进行调整；
42、通过多模态数据对所述生成函数进行调整。
43、相应的，本专利技术实施例还提供了一种基于自适应smote的视觉训练方案生成装置，包括数据获取模块、特征获取模块和生成模块；其中，
44、所述数据获取模块，用于获取待训练用户的用户数据；其中，所述用户数据包括若干用户属性；
45、所述特征获取模块，用于将所述用户数据输入训练好的特征提取网络，获得眼部数据特征；
46、所述生成模块，用于将所述眼部数据特征输入训练好的分类器，确定所述待训练用户对应的类别；基于所述待训练用户对应的类别，通过预设的生成函数，生成所述待训练用户的视觉训练方案；
47、其中，所述特征提取网络基于用户样本训练得到；所述用户样本包括原始样本以及基于所述原始样本通过smote算法生成的扩充样本，每个用户样本包括若干样本属性；所述smote算法引入自适应噪声参数和样本属性的重要性权重。
48、相应的，本专利技术实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于自适应smote的视觉训练方案生成方法。
49、相应的，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行所述的基于自适应smote的视觉训练方案生成方法。
50、相比于现有技术，本专利技术实施例具有如下有益效果：
51、本专利技术实施例提供了一种基于自适应smote的视觉训练方案生成方法、装置、终端设备及计算机可读存储介质，所述视觉训练方案生成方法包括：获取待训练用户的用户数据；其中，所述用户数据包括若干用户属性；将所述用户数据输入训练好的特征提取网络，获得眼部数据特征；将所述眼部数据特征输入训练好的分类器，确定所述待训练用户对应的类别；基于所述待训练用户对应的类别，通过预设的生成函数，生成所述待训练用户的视觉训练方案；其中，所述特征提取网络基于用户样本训练得到；所述用户样本包括原始样本以及基于所述原始样本通过smote算法生成的扩充样本文档来自技高网...
【技术保护点】
1.一种基于自适应SMOTE的视觉训练方案生成方法，其特征在于，包括：
2.如权利要求1所述的一种基于自适应SMOTE的视觉训练方案生成方法，其特征在于，所述扩充样本的获得方法包括：
3.如权利要求2所述的一种基于自适应SMOTE的视觉训练方案生成方法，其特征在于，所述自适应噪声参数的计算公式为：
4.如权利要求3所述的一种基于自适应SMOTE的视觉训练方案生成方法，其特征在于，所述属性的重要性的计算公式为：
5.如权利要求4所述的一种基于自适应SMOTE的视觉训练方案生成方法，其特征在于，所述特征提取网络的损失函数为：
6.如权利要求5所述的一种基于自适应SMOTE的视觉训练方案生成方法，其特征在于，所述分类器的训练方法包括：
7.如权利要求6所述的一种基于自适应SMOTE的视觉训练方案生成方法，其特征在于，所述视觉训练方案生成方法还包括：
8.一种基于自适应SMOTE的视觉训练方案生成装置，其特征在于，包括数据获取模块、特征获取模块和生成模块；其中，
9.一种终端设备，其特征在于，
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的基于自适应SMOTE的视觉训练方案生成方法。
...【技术特征摘要】
1.一种基于自适应smote的视觉训练方案生成方法，其特征在于，包括：
2.如权利要求1所述的一种基于自适应smote的视觉训练方案生成方法，其特征在于，所述扩充样本的获得方法包括：
3.如权利要求2所述的一种基于自适应smote的视觉训练方案生成方法，其特征在于，所述自适应噪声参数的计算公式为：
4.如权利要求3所述的一种基于自适应smote的视觉训练方案生成方法，其特征在于，所述属性的重要性的计算公式为：
5.如权利要求4所述的一种基于自适应smote的视觉训练方案生成方法，其特征在于，所述特征提取网络的损失函数为：
6.如权利要求5所述的一种基于自适应smote的视觉训练方案生成方法，其特征在于，所述分类器的训练方法包括：
7....
【专利技术属性】
技术研发人员：吴栩平，
申请(专利权)人：广州视景医疗软件有限公司，
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。