[發明專利]基于噪聲概率函數的多核學習分類方法

在審

• 申請號: 201611052894.4
• 申請日: 2016-11-25
• 公開（公告）號: CN106599906A
• 公開（公告）日: 2017-04-26
• 發明（設計）人: 武德安;馮杰;吳磊;陳鵬;馮江遠
• 申請（專利權）人: 電子科技大學;成都國科海博信息技術股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京天奇智新知識產權代理有限公司11340
• 代理人: 楊春

1.一種基于噪聲概率函數的多核學習分類方法，其特征在于：包括以下步驟：

(1)噪聲概率函數的計算；

(2)每輪迭代中的基分類器f_t^*(x)的選擇以及對應系數的計算；

(3)權重的更新。

2.根據權利要求1所述的基于噪聲概率函數的多核學習分類方法，其特征在于：所述步驟(1)中，按以下公式計算噪聲概率函數

其中：

$\stackrel{\‾}{u}=\underset{i=1}{\overset{N}{\Σ}}{u}^{KNN}(x_i,y_i)/N,$

式中，Z_i是樣本(xi,yi)的K個最近鄰點集合，f(x)為基分類器，y_j為真實類別，u^KNN(x_i,y_i)為噪聲探測結果，是u^KNN(x_i,y_i)在基分類器f(x)下的平均值，λ為人工設置參數；

若集合Z_i中分類錯誤的樣本越多，則樣本(x_i,y_i)是噪聲的可能性越大

所述步驟(2)中，基于噪聲概率函數確定如下損失函數：

最小化損失函數L(y,f(x))，然后按以下公式選擇第t輪迭代中基分類器f_t^*(x)及計算其對應的系數

$f_t^{*}\left(x\right)=\underset{f\left(x\right)}{argmin}\underset{f\left(x_i\right)\≠y_i}{\Σ}(w_{1i}^t-w_{2i}^t)$

$a_t^{*}=\frac{1}{2}log\left(\frac{\underset{f\left(x_i\right)\≠y_i}{\Σ}{w}_{2i}^t+\underset{f\left(x_i\right)=y_i}{\Σ}{w}_{1i}^t}{\underset{f\left(x_i\right)\≠y_i}{\Σ}{w}_{1i}^t+\underset{f\left(x_i\right)=y_i}{\Σ}{w}_{2i}^t}\right),$

其中，

式中，F_t-1(x_i)表示經過(t-1)輪迭代后得到的組合分類器；

所述步驟(3)中，利用M個核函數下的樣本噪聲概率按以下公式初始化與基分類器的選擇相關的系數以及樣本權重

$D_i^1=\frac{w_{1i}^1+w_{2i}^1}{\underset{i=1}{\overset{N}{\Σ}}(w_{1i}^1+w_{2i}^1)},$

已知第t輪迭代的數據，按以下公式更新權重：

$D_i^{t+1}=(w_{1i}^t+w_{2i}^t)/\underset{i=1}{\overset{N}{\Σ}}(w_{1i}^t+w_{2i}^t)$

$w_{2i}^{t+1}=w_{2i}^t\exp \left(y_i{a}_t^{*}{f}_t^{*}\right(x_i\left)\right)$

$w_{1i}^{t+1}=w_{1i}^t\exp (-y_i{a}_t^{*}{f}_t^{*}(x_i\left)\right).$