(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 202211021344.1 (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) G06Q 10/08(2012.01) (54)发明名称 自动化挑选系统的品项分配方法、 系统、 设 备及存储介质 (57)摘要 本发明公开了自动化挑选系统的品项分配 方法、 系统、 设备及存储介质， 采用网格聚类的方 法， 将获取的数据点映射到网格空间中， 区分高 密度网格和低密度网格， 仅考虑可能存在聚类中 心的高密度网格， 对高密度网格簇中的数据点进 行聚类划分， 并对得到的聚类中心进行重新标 签， 得到实际的聚类划分结果， 降低了寻找聚类 中心的复杂度， 保证了聚类的精度， 减少了计算 量， 提高聚类中心的选择准确度， 随后对非聚类 中心的的数据点再次进行划分， 将聚类中心的数 据点和非聚类中心的数据点分开划分， 容错率较 低， 提高了最终输出的聚类划分结果， 本发明公 开的方法缩短了品项分拣的时间， 提高了品项挑 选的能力， 缩短了时间成本， 提高了后期物流配 送的效率。 权利要求书2页 说明书10页 附图1页 CN 115293288 A 2022.11.04 CN 115293288 A 1.自动化挑选系统的品项分配方法， 其特 征在于， 包括以下步骤： 将获取的数据点映射到网格空间中， 根据数据点划分高密度网格和低密度网格， 基于 高密度网格形成高密度中心网格簇， 在高密度中心网格簇中获取聚类中心， 对获取 的聚类 中心进行聚类， 得到预聚类中心； 将获取的预聚类中心作为核心点， 对核心点进行聚类操作， 通过聚类结果重新对核心 预聚类中心点标记实际的聚类标签， 得到实际的聚类划分结果； 基于得到的聚类中心， 分别对高密度网格区和低密度网格区中非聚类中心的数据点进 行聚类划分， 得到非聚类中心的聚类划分结果； 汇集聚类中心实际的聚类划分结果和非簇中心的聚类簇划分结果， 得到最终聚类结 果。 2.根据权利要求1所述的一种自动 化挑选系统 的品项分配方法， 其特征在于， 所述在高 密度网格簇中获取聚类中心的步骤 包括： 将网格空间进行划分， 形成g*g的均匀网格， 将数据集中的数据点映射到网络空间中； 根据ρij＝count(gij)计算每一个 网格的单元网格密度ρij， 并将结果存入网格密度矩阵 中； 按照网格密度 从小到大排序， 筛选前r g2个网格作为低密度网格， 剩下的作为高密度网 格， 更新高密度网格矩阵； 以四连接方式合并高密度网格， 形成m个高密度网格簇； 根据ρcluster_i＝∑ρpq计算每一个簇的高密度网格簇密度ρcluster_i； 设定预聚类中心的个数为k， 将k与m进行比较， 根据k与m的比较结果在m个高密度网格 簇中选择k个聚类中心； 再次对k个聚类中心聚类， 得到k ‘个预聚类中心。 3.根据权利要求2所述的一种自动化挑选系统的品项分配方法， 其特征在于， 所述在m 个高密度网格簇中选择k个聚类中心的步骤为： 当m＝k时， 将m个高密度网格簇视为k个中心网格簇， 计算每一个中心网格簇内的邻接 矩阵， 在中心网格簇内基于D PC选择k个聚类中心ci； 当m>k时， 计算每一个网格簇成为中心网格的概率Pi， 其中Pi＝ρcluster_i∑dist(ci,cj)， 根据得到的概率计算结果， 将网格簇从大到小排列， 选择k ‑1个网格簇视为中心网格簇， 剩 余的m‑k+1个网格簇视为余下的一个中心网格簇， 然后计算每一个中心网格簇内的邻接矩 阵， 在中心网格簇内基于D PC选择k个聚类中心ci； 当m<k时， 将m个网格簇视为一个 中心网格簇， 计算每一个 中心网格簇内的邻接矩阵， 在 中心网格簇内基于D PC选择k个聚类中心ci。 4.根据权利要求1所述的一种自动 化挑选系统 的品项分配方法， 其特征在于， 所述得到 实际聚类划分结果的步骤为： 基于SC多阶段聚类方法重新将 获取的预聚类 中心的标签修改， 并输出聚类后的聚类集 合数据， 得到实际的聚类划分结果。 5.根据权利要求2所述的自动化挑选系统 的品项分配方法， 其特征在于， 所述对高密度 网格中的非聚类中心进行聚类划分的步骤为： 当k‘＝k时， 中心点所在簇内的所有样本的聚类标签与该聚类中心的标签保持一致，权　利　要　求　书 1/2 页 2 CN 115293288 A 2即， lable(xj)←lable(ci)； 当k‘≠k或k‘＝1时， 即表示在一个中心网格簇内进行k个簇划分过程， 网格簇失去作 用， 高密度网格区内数据点的聚类标签应与密度大于或等于此点的最邻近的一点的簇标签 保持一致。 6.根据权利要求2所述的自动化挑选系统 的品项分配方法， 其特征在于， 所述对低密度 网格中的非聚类中心进行聚类划分的步骤为： 寻找距离该低密度网格块最近的簇， 并将该低密度网格 内的数据点的簇标签归于最近 簇一侧， 如果某一个低密度网格存在多个距离最近的网格簇时， 选择该低密度网格块中所 有数据点到这多个簇中心最短距离和∑dist(xj,ci)的簇作为所属簇 。 7.根据权利要求1所述的自动化挑选系统 的品项分配方法， 其特征在于， 将 获取的数据 点所在的数据集存放至 HDFS上， 确保集群中每 个计算节点都有一份该 数据集的副本 。 8.根据权利要求1所述的一种自动 化挑选系统 的品项分配系统， 其特征在于， 包括预聚 类中心获取模块、 聚类中心聚类划分模块、 非聚类中心聚类划分模块和聚类结果汇集模块； 预聚类中心获取模块， 用于将获取的数据点映射到网格空间中， 根据数据点划分高密 度网格和低密度网格， 基于高密度网格形成高密度中心网格簇， 在高密度中心网格簇中获 取聚类中心， 对获取的聚类中心进行聚类， 得到预聚类中心； 聚类中心聚类划分模块， 用于将获取的预聚类中心作为核心点， 对核心点进行聚类操 作， 通过聚类结果重新对核心预聚类中心点标记实际的聚类标签， 得到实际的聚类划分结 果； 非聚类中心聚类划分模块， 用于基于得到的聚类中心， 分别对高密度网格区和低密度 网格区中非聚类中心的数据点进行聚类划分， 得到非聚类中心的聚类划分结果； 聚类结果汇集模块， 用于汇集 聚类中心实际的聚类划分结果和非簇 中心的聚类簇划分 结果， 得到最终聚类结果。 9.一种终端设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器上 运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1‑7任 一项所述方法的步骤。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处 理器执行时实现如权利要求1 ‑7任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115293288 A 3