[發(fā)明專利]一種虛擬樣本生成方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201510496474.4
• 申請(qǐng)日: 2015-08-13
• 公開（公告）號(hào): CN105046320A
• 公開（公告）日: 2015-11-11
• 發(fā)明（設(shè)計(jì)）人: 湯健;孫春來;毛克峰;賈美英;李東;李立國(guó);胡亞男
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍61599部隊(duì)計(jì)算所
• 主分類號(hào): G06N3/00
• 分類號(hào): G06N3/00
• 代理公司: 北京成創(chuàng)同維知識(shí)產(chǎn)權(quán)代理有限公司 11449
• 代理人: 劉鋒;柳興坤

1.一種虛擬樣本生成方法，用于基于多個(gè)真實(shí)樣本生成虛擬樣本，所述方法包括：

S100、提取所述真實(shí)樣本的輸入向量的潛在特征，并獲取潛在特征提取模型；

S200、根據(jù)所述潛在特征和對(duì)應(yīng)的輸出向量訓(xùn)練獲取預(yù)測(cè)性能滿足預(yù)定條件的預(yù)測(cè)模型，所述預(yù)測(cè)模型用于根據(jù)輸入向量的潛在特征計(jì)算對(duì)應(yīng)的輸出向量；

S300、在所有可插值的真實(shí)樣本對(duì)之間進(jìn)行插值生成虛擬樣本的備選輸入向量，所述可插值的真實(shí)樣本對(duì)為對(duì)應(yīng)的輸入向量或輸入向量的相關(guān)向量中預(yù)定數(shù)量的元素相同的兩個(gè)真實(shí)樣本；

S400、根據(jù)所述潛在特征提取模型提取所述備選輸入向量的潛在特征；

S500、根據(jù)所述預(yù)測(cè)模型和所述備選輸入向量的潛在特征計(jì)算對(duì)應(yīng)的備選輸出向量,并保留符合虛擬樣本篩選條件的備選輸出向量和對(duì)應(yīng)的備選輸入向量以獲取所述多個(gè)真實(shí)樣本對(duì)應(yīng)的虛擬樣本集合。

2.根據(jù)權(quán)利要求1所述的虛擬樣本生成方法，其特征在于，所述步驟S100包括：

以最大化輸入向量和輸出向量之間的協(xié)方差為目標(biāo)，基于偏最小二乘算法提取所述真實(shí)樣本的輸入向量的潛在特征。

3.根據(jù)權(quán)利要求2所述的虛擬樣本生成方法，其特征在于，所述步驟S200包括：

S210、將所述真實(shí)樣本的輸入向量的潛在特征及對(duì)應(yīng)的輸出向量作為訓(xùn)練數(shù)據(jù)集；

S220、通過Bootstrap算法從所述訓(xùn)練數(shù)據(jù)集產(chǎn)生多個(gè)訓(xùn)練子樣本；

S230、基于BPNN算法根據(jù)所述多個(gè)訓(xùn)練子樣本構(gòu)建多個(gè)候選子模型；

S240、根據(jù)所述訓(xùn)練數(shù)據(jù)集選取對(duì)應(yīng)的模型選擇權(quán)重參數(shù)大于模型選擇閾值的所有候選子模型構(gòu)成集成模型，其中，模型選擇權(quán)重參數(shù)通過對(duì)隨機(jī)生成的初始權(quán)重參數(shù)以最小化預(yù)測(cè)誤差為目標(biāo)進(jìn)行遺傳算法優(yōu)化獲得；

S250、基于訓(xùn)練數(shù)據(jù)集計(jì)算集成模型中所有子模型輸出向量之和的均值作為集成模型的預(yù)測(cè)輸出向量，并基于所述集成模型的預(yù)測(cè)輸出向量和所述訓(xùn)練樣本的輸出向量計(jì)算集成模型的預(yù)測(cè)性能；

S260、在集成模型的預(yù)測(cè)性能滿足預(yù)定條件時(shí)，將所述集成模型作為所述預(yù)測(cè)模型。

4.根據(jù)權(quán)利要求1所述的虛擬樣本生成方法，其特征在于，所述步驟S300包括基于下式生成虛擬樣本的備選輸入向量：

xl′VS=xlowVS+(xhighVS-xlowVS)l′NVSG1≤l′<NVSG]]>

其中，為第l’個(gè)插值生成的備選輸入向量，為第一可插值的真實(shí)樣本的輸入向量，為第二可插值的真實(shí)樣本的輸入向量，N_VSG為預(yù)定的插值分段的數(shù)量。