申请/专利权人：南京航空航天大学

申请日：2021-06-11

公开（公告）日：2024-04-16

公开（公告）号：CN113449779B

主分类号：G06F18/2411

分类号：G06F18/2411;G06N20/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.10.22#实质审查的生效;2021.09.28#公开

摘要：本发明公开了一种基于样本分布密度改进KKT条件的SVM增量学习方法，包括：获得分类器的支持向量集SV0与分类器的标准KKT条件Ⅰ；构建SVM分类器Modelold的改进KKT条件Ⅰ；判断新增样本集B中样本是否满足SVM分类器Modelold的标准KKT条件Ⅰ；对新增样本集B中样本进行二次判断，判断是否满足SVM分类器Modelold的改进KKT条件Ⅰ；由候选支持向量集SV1训练分类器Model1；计算满足分类器Model1的改进KKT条件Ⅱ；采用SV0∪SV1∪SVadd集合训练分类器并输出更新后的分类器Model2。本发明提出的基于样本分布密度改进KKT条件能够实现样本分布不均衡的情况下对新增样本的有效筛选，提高SVM增量学习算法的泛化能力。

主权项：1.一种基于样本分布密度改进KKT条件的SVM增量学习方法，其特征在于，步骤如下：1根据原始样本集Α训练SVM分类器Modelold，获得分类器Modelold的支持向量集SV0与标准KKT条件Ⅰ；2计算原始样本集Α中正、负类样本的样本分布密度，并根据样本分布密度计算正、负样本下的偏置参数，在标准KKT条件Ⅰ的基础上增加偏置参数，构建SVM分类器Modelold下针对正、负类样本自适应优化的改进KKT条件Ⅰ；3判断新增样本集B中样本是否全部满足SVM分类器Modelold的标准KKT条件Ⅰ，若全部满足，则输出原始SVM分类器Modelold即为所需模型，结束；否则将新增样本集B中违背标准KKT条件Ⅰ的样本放入集合B1，满足标准KKT条件Ⅰ的样本放入集合B2；4判断新增样本集B中样本是否满足SVM分类器Modelold的改进KKT条件Ⅰ，将满足改进KKT条件Ⅰ的样本放入候选支持向量集SV1；5根据候选支持向量集SV1训练分类器Model1，获得分类器Model1的标准KKT条件Ⅱ，利用支持向量集SV1的样本分布密度计算正、负样本下的偏置参数，获得增加偏置参数后的改进KKT条件Ⅱ；6判断集合B2是否满足改进KKT条件Ⅱ，若集合B2为空或所有样本均满足改进KKT条件Ⅱ，则输出更新后的模型即为分类器Model1，结束；否则将不满足改进KKT条件Ⅱ的样本放入补充支持向量集SVadd；7采用SV0∪SV1SVadd集合训练分类器Model2并输出更新后的分类器为Model2，SV0为原始分类器的支持向量集，SVadd为补充支持向量集；所述步骤2中根据样本分布密度计算正、负样本下的偏置参数，构建分类器Modelold的改进KKT条件Ⅰ的方法具体为：21假设原始训练集为原始样本集，正样本为负样本为样本集中正、负样本的类别中心分别为c+和c-，与表示正、负样本与类别中心之间的距离；22计算正、负样本集的样本分布密度ξ+与ξ-： 23计算正、负样本下的偏置参数δ+,δ-：δ+＝1-ξ+,δ-＝1-ξ-；24计算SVM分类器Modelold的改进KKT条件Ⅰ：|yifxi|≤1+δ＝1+1-ξ,ξ∈[ξ+,ξ-]式中，N+表示正样本数，N-表示负样本数，max·表示距离最大值。

全文数据：

权利要求：

百度查询： 南京航空航天大学 基于样本分布密度改进KKT条件的SVM增量学习方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD