【技术实现步骤摘要】
本专利技术属于图像处理
，涉及数据分类，可用于纹理图像分类。
技术介绍
随着数据库规模的日益扩大，人类积累的数据量正在以指数速度迅速的增长。进入九十年代后，伴随着因特网的出现和发展，以及随之而来的企业内部网，企业外部网和虚拟私有网的产生和应用，令整个世界成为一个规模较小的地球村。展现在我们面前的已不是局限于本部门，本行业的硕大数据库，而是无穷无尽的信息海洋。同时，更多的数据也正以前所未有的速度收集于计算机中，因此，从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的工程就显的尤为重要。人们必须学习如何在广博的信息中发现和挖掘自己所需要的信息资源，掌握有效的分类方法，使得数据的分类效率和准确率都得到较大的提高。 其中，基于粒子群优化的分类方法，是将数据中具有某方面相似特征的数据点划分为一类，已经有很多成熟的分类算法被用到数据的分类中。粒子群优化作为一种新兴的进化算法，目前主要的研究工作集中在算法的更新方式和目标函数的设计上。不同的更新方式将获得不同的子代个体，不同的子代个体又会产生不同的分类效果...
【技术保护点】
一种基于自动聚类的粒子群优化分类方法，包括如下步骤：(1)输入数据X，数据X的大小为N×D，即数据X的样本个数为N，每一个样本是D维的，将数据X分为训练数据B和测试数据C两部分，其中，训练数据、测试数据的大小均为M×D，M＝N/2；(2)输入训练数据B已知的类标E1，类标E1是一个1×M的向量e，向量e＝{e1,e2,...,ei,...,eM}，向量e中每一个元素ei表示训练数据B中的样本bi所属的类，ei∈{1,2,...,T}，T表示训练数据B正确的分类数，i∈{1,2,...,M}；(3)采用差分进化自动聚类算法对训练数据B进行自动聚类，得到聚类方法中训练数据B的类...
【技术特征摘要】
1.ー种基于自动聚类的粒子群优化分类方法，包括如下步骤 (1)输入数据X，数据X的大小为NXD，即数据X的样本个数为N，每ー个样本是D维的，将数据X分为训练数据B和测试数据C两部分，其中，训练数据、测试数据的大小均为MXD，M = N/2 ； (2)输入训练数据B已知的类标E1,类标E1是ー个IXM的向量e,向量e =Ie1, e2, · · ·，e” · · ·，eM},向量e中姆ー个兀素Gi表不训练数据B中的样本所属的类，ちe {I, 2,..., T}, T表示训练数据B正确的分类数，i e {1，2，· · ·，M}; (3)采用差分进化自动聚类算法对训练数据B进行自动聚类，得到聚类方法中训练数据B的类标E2,类标E2是ー个IXM的向量f,f = {fi, f2,. . . , fi,. . . , fM},向量中姆ー个元素も表示训练数据B中的样本h在聚类方法中所属的类，もe {1，2，...，K}，K表示训练数据B在聚类方法中分为几类，i e {1，2，· · ·，M}; (4)采用粒子群优化分类法对训练数据B进行分类，获得分类方法中训练数据B的类标E3，根据步骤(3)中自动聚类方法所得的类标E2和分类方法所得的类标E3，得到最終粒子的类标E4和粒子的位置ν; (4. I)初始化粒子群优化分类方法中训练数据B的类标E3，其中，类标E3是ー个IXM的向量h = {h” h2, . . . , hM},其中元素Iii表示训练数据B中的样本h在该分类方法中所属的类，h初始为0,i e {1，2，· · ·，M}，M是训练数据B的样本个数； (4. 2)初始化粒子y的个数U = 10XT，T是已知训练数据B的正确分类； (4. 3)初始迭代次数t = O ; (4.4)初始化粒子Yi的位置V;为IXD的随机向量V’=IV !,Vi 2, j, j e U，2，...，D}，其中元素 V' j 为 0和 I 之间的随机数，i e ...
【专利技术属性】
技术研发人员：刘若辰，张燕，吴沛，焦李成，刘静，李阳阳，王爽，马文萍，
申请(专利权)人：西安电子科技大学，
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。