(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211019986.8 (22)申请日 2022.08.24 (71)申请人 江苏至信 信用评估咨询有限公司 地址 221000 江苏省徐州市铜山区马坡镇 后八段村 (72)发明人 尚昊　赵加坤　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 房鑫 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/08(2006.01) G06Q 10/08(2012.01) (54)发明名称 基于深度聚类的品项分配策略、 系统、 存储 介质和设备 (57)摘要 本发明实施例公开基于深度聚类的品项分 配策略、 系统、 存储介质和设备， 包括以下步骤： 构建DCSSA E网络框架， 所述DCSSA E网络框架包 括 堆叠式稀 疏自编码器网络和深度嵌入聚类层； 对 堆叠式稀 疏自编码器网络进行预训练， 得到预训 练后的网络权重矩阵， 基于得到的网络权重矩阵 对DCSSAE网络中的编码器权重矩阵和解码器权 重矩阵进行初始化设置； 通过深度嵌入聚类层对 原始数据集进行预训练， 得到聚类中心， 基于得 到的聚类中心， 去初 始化DCSSA E网络中的聚类中 心和所有数据的聚类标签； 将得到的聚类中心和 预训练后的网络权重矩阵作为DCSSAE网络的初 始化数据进行迭代训练， 得到聚类划分结果。 解 决了在实际的应用中， 订单的挑选时间过长， 设 备的挑选能力低， 自动化挑拣能力低。 权利要求书3页 说明书13页 附图3页 CN 115310554 A 2022.11.08 CN 115310554 A 1.基于深度聚类的品项分配策略， 其特 征在于， 包括以下步骤： S1： 构建DCSSAE网络框架， 所述DCSSAE网络框架包括堆叠式稀疏自编码器网络和深度 嵌入聚类层； S2： 对堆叠式稀疏自编码器网络进行预训练， 得到预训练后的网络权重矩阵， 基于得到 的网络权重矩阵对DCS SAE网络中的编码器权 重矩阵和解码器权 重矩阵进行初始化设置； S3： 通过深度嵌入聚类层对原始数据集进行预训练， 得到聚类 中心， 基于得到的聚类 中 心， 对DCS SAE网络中的聚类中心和所有数据的聚类标签进行初始化设置； S4： 将S3中得到的聚类中心和 S2中得到的预训练后的网络权重矩阵作为DCSSAE网络的 初始化数据进行迭代训练， 得到聚类划分结果。 2.根据权利要求1所述的基于深度聚类的品项分配策略， 其特征在于， 所述步骤S4包括 以下步骤： 设定最大迭代次数maxiter和目标分布的更新间隔T； 当迭代的训练次数 大于最大迭代次数maxiter时， 表示训练完成， 输出训练结果。 3.根据权利要求2所述的基于深度聚类的品项分配策略， 其特征在于， 所述步骤S4包括 以下步骤： 所述DCSSAE网络中包 含变量参数iter， iter＝1； 当iter小于等于设定的最大迭代次数maxiter时， 进行迭代训练， 并判断iter能否整除 设定的目标分布的更新间隔T， 若能， 则执 行S401‑S405： S401： 获取S2中DCS SAE网络的编码器中每 个数据的低维嵌入表示Z， S402： 根据式(1)、 式(2)和S401中的每 个数据的低维嵌入表示Z更新目标分布P； 其中， qik是低维表示点zi与聚类中心 μk间的相似度， 表示将样本i分配到簇k的概率， 进 一步能够将zi映射为软标签qi； 目标分布P定义 为： 式中， Pik表示辅助分布， Pik是P的集合元素； S403： 将步骤S402中的标签分配结果保存为 lableold； S404： 根据式(3)更新每 个数据的标签lablei； S405： 计算数据更新后改变的标签个数， 用改变的标签个数除以原始数据集中数据的 个数： 若得到的计算 值小于预设的停止阈值 δ， 则停止训练， 输出训练结果； 若得到的计算 值大于预设的停止阈值 δ， 则执 行S406‑S407；权　利　要　求　书 1/3 页 2 CN 115310554 A 2S406： 从原始数据集中选出m个样本， 使用m个样本进行小批量随机梯度下降更新网络 中的参数， S407： 每更新完成一次， 变量iter加1， 若变量iter加1后大于最大迭代次数maxiter， 则 训练完成， 输出训练结果； 若变量iter加1后小于等于最大迭代次数maxiter， 则判断变量iter能否整除目标分布 的更新间隔T， 若能， 则重复执 行步骤S401 ‑S405， 若不能则执 行步骤S40 6‑S407。 4.根据权利要求3所述的基于深度聚类的品项分配策略， 其特征在于， 所述步骤S407包 括以下步骤： S4071： 更新得到的k个聚类中心 μ： 其中， Lc表示深度嵌入聚类层的聚类损失； S4072： 更新 解码器权 重矩阵W′： 其中， Lrec表示堆叠式稀疏自编码器网络的重构损失； S4073： 更新编码器权 重矩阵W： 5.根据权利要求4所述的基于深度 聚类的品项分配策略， 其特征在于， 所述步骤S4071 中， Lc的计算方法为： 其中， qik是低维表示 点zi与聚类中心 μk间的相似度， Pik表示辅助分布； DKL表示KL散度。 6.根据权利要求4所述的基于深度 聚类的品项分配策略， 其特征在于， 所述步骤S4072 中， Lrec堆叠式稀疏自编码器网络的重构损失的计算方法为： 将 表示给定输入xi的隐藏层单元的激活， 对于给定的N个样本， 隐藏层第j个神 经元的平均激活值定义 为： 对激活 施加约束以强制特 征空间变得稀疏， 将其表示 为： 其中ρ 是稀疏参数， 重构损失中增加惩罚项， 惩罚 与ρj不同的单元， 用KL散度表示如 下： 权　利　要　求　书 2/3 页 3 CN 115310554 A 3