【技術實現步驟摘要】
本專利技術涉及計算機信息處理，特別是指一種數據的處理方法、裝置、設備及可讀存儲介質。
技術介紹
1、特征選擇在機器學習和數據挖掘中起著關鍵的預處理作用。它的主要作用是消除不相關和重復的數據，它被廣泛應用于機器學習和圖像分析。隨著數據采集技術的快速發展，不斷產生大量的高維數據，如文本數據、圖像數據等，同時也帶來了大量的無關數據和冗余數據。這些數據給數據挖掘帶來了前所未有的挑戰。高維特征空間的擴展使得模型的訓練和預測變得更加復雜，從而影響分類性能。因此，特征選擇技術在高維數據處理中至關重要，它可以有效地簡化特征空間，提高模型性能。近年來，它越來越受到學者的重視。
2、為了彌補現有算法的不足，解決復雜問題，2014年，mirialili等人受灰狼層級和狩獵機制的啟發，提出了灰狼優化器（grey?wolf?optimizer，gwo）。然而，原有的灰狼優化器有時容易陷入局部最優，收斂精度較低。雖然算法有其自身的優勢，但也存在局限性。
技術實現思路
1、本專利技術要解決的技術問題是提供一種數據的處理方法、裝置、設備及可讀存儲介質，以在不完整且含有大量噪點的人臉數據進行特征選擇，得到人臉識別模型所需的目標人臉特征數據，克服現有技術中特征識別精度低、速度慢和魯棒性差等問題。
2、為解決上述技術問題，本專利技術的實施例提供一種數據的處理方法，包括：
3、獲取人臉數據集，所述人臉數據集包含多個人臉特征數據；
4、根據所述人臉數據集，得到所述人臉數據集對
5、根據預設圓混沌映射算法和預設量子算法對所述原始種群進行初始化處理，得到所述原始種群對應的初始化種群；
6、根據所述初始化種群中每個特征個體的適應度值，對所述初始化種群進行更新處理，并得到更新后的種群；
7、根據所述更新后的種群中每個特征個體的適應度值，確定目標特征個體，并將所述目標特征個體對應的人臉特征數據確定為目標人臉特征數據。
8、在一個實施例中，根據預設圓混沌映射算法和預設量子算法對所述原始種群集進行初始化處理，得到所述原始種群對應的初始化種群，包括：
9、根據所述預設圓混沌映射算法，確定所述原始種群中每個特征個體對應的初始位置信息；
10、根據所述預設量子算法對所述初始位置信息進行變換處理，得到所述初始位置信息對應的更新位置信息；
11、根據所述初始位置信息與所述更新位置信息，確定所述原始種群對應的初始化種群。
12、在一個實施例中，根據所述預設圓混沌映射算法，確定所述原始種群中每個特征個體對應的初始位置信息，包括：
13、根據所述預設圓混沌映射算法，確定所述原始種群中每個特征個體的混沌映射值；
14、根據所述混沌映射值，確定每個特征個體對應的初始位置信息。
15、在一個實施例中，根據所述預設量子算法對所述初始位置信息進行變換處理，得到所述初始位置信息對應的更新位置信息，包括：
16、根據所述原始種群中每個特征個體的初始位置信息，確定每個特征個體對應的量子空間位置；
17、根據預設量子比特以及每個特征個體據對應的量子空間位置，確定每個特征個體的初始位置對應的所述更新位置信息。
18、在一個實施例中，根據所述初始位置信息與所述更新位置信息，確定所述原始種群對應的初始化種群，包括：
19、將所述更新位置信息對應的特征個體確定為更新特征個體，所述更新特征個體與所述原始種群中的每個特征個體一一對應；
20、根據所述更新特征個體的適應度值以及與當前更新特征個體對應的所述原始種群中特征個體的適應度值，確定所述初始化種群。
21、在一個實施例中，根據所述初始化種群中每個特征個體的適應度值，對所述初始化種群進行更新處理，得到更新后的種群，包括：
22、根據所述初始化種群中每個特征個體的適應度值，對所述初始化種群中的多個特征個體進行分層處理，得到多個不同等級的種群層；
23、基于水平的學習策略對所述多個不同等級的種群層中的特征個體按照預設迭代次數進行位置迭代更新處理，并得到所述更新后的種群。
24、在一個實施例中，根據所述更新后的種群中每個特征個體的適應度值，確定目標特征個體，并將所述目標特征個體對應的人臉特征數據確定為目標人臉特征數據，包括：
25、確定每一輪位置迭代更新處理的所述更新后的種群中對應適應度值最大的特征個體以及適應度值最小的特征個體；
26、根據所述適應度值最小的特征個體對應的位置信息以及所述預設迭代次數，確定所述適應度值最大的特征個體對應的候選特征個體；
27、將所述候選特征個體以及在所述更新后的種群中剔除所述適應度值最大的特征個體后的剩余特征個體確定目標特征個體；
28、將所述目標特征個體對應的人臉特征數據確定為目標人臉特征數據。
29、本專利技術的實施例還提供一種數據的處理裝置，包括：
30、獲取模塊，用于獲取人臉數據集，所述人臉數據集包含多個人臉特征數據；
31、處理模塊，用于根據所述人臉數據集，得到所述人臉數據集對應的原始種群，所述原始種群中包括多個特征個體，多個所述特征個體中的每個特征個體均包含多個且數量相同的人臉特征數據；根據預設圓混沌映射算法和預設量子算法對所述原始種群進行初始化處理，得到所述原始種群對應的初始化種群；根據所述初始化種群中每個特征個體的適應度值，對所述初始化種群進行更新處理，并得到更新后的種群；根據所述更新后的種群中每個特征個體的適應度值，確定目標特征個體，并將所述目標特征個體對應的人臉特征數據確定為目標人臉特征數據。
32、本專利技術的實施例還提供一種計算設備，包括：
33、存儲器，用于存儲一個或多個程序；
34、一個或多個處理器，用于執行所述一個或多個程序，實現如上述所述的方法。
35、本專利技術的實施例還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有程序，該程序被處理器執行時實現如上述所述的方法。
36、本專利技術的上述方案至少包括以下有益效果：
37、本專利技術的上述方案提供的數據的處理方法、裝置、設備集可讀存儲介質，包括：獲取人臉數據集，所述人臉數據集包含多個人臉特征數據；根據所述人臉數據集，得到所述人臉數據集對應的原始種群，所述原始種群中包括多個特征個體，多個所述特征個體中的每個特征個體均包含多個且數量相同的人臉特征數據；根據預設圓混沌映射算法和預設量子算法對所述原始種群進行初始化處理，得到所述原始種群對應的初始化種群；根據所述初始化種群中每個特征個體的適應度值，對所述初始化種群進行更新處理，并得到更新后的種群；根據所述更新后的種群中每個特征個體的適應度值，確定目標特征個體，并將所述目標特征個體對本文檔來自技高網...
【技術保護點】
1.一種數據的處理方法，其特征在于，包括：
2.根據權利要求1所述的數據的處理方法，其特征在于，根據預設圓混沌映射算法和預設量子算法對所述原始種群集進行初始化處理，得到所述原始種群對應的初始化種群，包括：
3.根據權利要求2所述的數據的處理方法，其特征在于，根據所述預設圓混沌映射算法，確定所述原始種群中每個特征個體對應的初始位置信息，包括：
4.根據權利要求2所述的數據的處理方法，其特征在于，根據所述預設量子算法對所述初始位置信息進行變換處理，得到所述初始位置信息對應的更新位置信息，包括：
5.根據權利要求2所述的數據的處理方法，其特征在于，根據所述初始位置信息與所述更新位置信息，確定所述原始種群對應的初始化種群，包括：
6.根據權利要求1所述的數據的處理方法，其特征在于，根據所述初始化種群中每個特征個體的適應度值，對所述初始化種群進行更新處理，得到更新后的種群，包括：
7.根據權利要求6所述的數據的處理方法，其特征在于，根據所述更新后的種群中每個特征個體的適應度值，確定目標特征個體，并將所述目標特征個體對應
8.一種數據的處理裝置，其特征在于，包括：
9.一種計算設備，其特征在于，包括：
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質中存儲有程序，該程序被處理器執行時實現如權利要求1至7中任一項所述的方法。
...【技術特征摘要】
1.一種數據的處理方法，其特征在于，包括：
2.根據權利要求1所述的數據的處理方法，其特征在于，根據預設圓混沌映射算法和預設量子算法對所述原始種群集進行初始化處理，得到所述原始種群對應的初始化種群，包括：
3.根據權利要求2所述的數據的處理方法，其特征在于，根據所述預設圓混沌映射算法，確定所述原始種群中每個特征個體對應的初始位置信息，包括：
4.根據權利要求2所述的數據的處理方法，其特征在于，根據所述預設量子算法對所述初始位置信息進行變換處理，得到所述初始位置信息對應的更新位置信息，包括：
5.根據權利要求2所述的數據的處理方法，其特征在于，根據所述初始位置信息與所述更新位置信息，確定所述原始...
【專利技術屬性】
技術研發人員：黃海松，謝江雪，付盛偉，朱云偉，龔廣明，魯子騰，趙永鵬，周大帥，張國章，
申請(專利權)人：貴州大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。