[發明專利]基于數據分布特征及模糊隸屬度函數的恒星光譜分類方法在審
| 申請號： | 201810378637.2 | 申請日： | 2018-04-25 |
| 公開（公告）號： | CN108537290A | 公開（公告）日： | 2018-09-14 |
| 發明（設計）人： | 劉忠寶;秦振濤;羅學剛;周方曉;張靖 | 申請（專利權）人： | 攀枝花學院 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62 |
| 代理公司： | 成都虹橋專利事務所(普通合伙) 51124 | 代理人： | 陳立志 |
| 地址： | 617000 四*** | 國省代碼： | 四川;51 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 恒星光譜 模糊隸屬度 分類 數據分布特征 支持向量機 離散度 線性判別分析 分類結果 光譜數據 降低噪聲 數據分類 引入 奇異點 性狀 | ||
1.基于數據分布特征及模糊隸屬度函數的恒星光譜分類方法，采用雙支持向量機將恒星光譜中的兩類分開，其特征在于，所述雙支持向量機引入了線性判別分析中的類間離散度和類內離散度，用以表征光譜數據的分布性狀，引入了模糊隸屬度函數，用以降低噪聲點和奇異點對分類結果的影響。
2.如權利要求1所述的基于數據分布特征及模糊隸屬度函數的恒星光譜分類方法，其特征在于，所述雙支持向量機算法的具體流程包括：
A.將目標光譜分為訓練數據集和測試數據集，利用訓練數據集建立基于類間離散度、類內離散度以及模糊隸屬度函數的雙支持向量機模型，所述雙支持向量機模型的兩個分類超平面的最優化問題為：
其約束條件為：s.t.-(Bw++e2b+)T+ξ≥e2 ξ≥0
其約束條件為：s.t.(Aw_+e1b_)T+ξ≥e1 ξ≥0
其中，矩陣A和B分別表示屬于1類和-1類的數據集，w+和w_分別表示兩個分類超平面的法向量，b+和b_分別表示兩個分類超平面的位移項，c1和c2分別表示兩個分類超平面的懲罰因子；β1和β2為兩個分類超平面的平衡參數；e1和e2為全由1組成的列向量，SW為類間離散度，SB為類內離散度，s1和s2分別表示兩個分類超平面的模糊隸屬度函數，ξ表示松弛因子；
B.利用Lagrangian乘子法將雙支持向量機模型的兩個分類超平面的最優化問題轉化為對偶形式，求得兩個分類超平面的法向量和位移項，并根據求得的法向量和位移項定義決策函數：
C.利用決策函數對測試數據集中的樣本進行類屬判定。
3.如權利要求2所述的基于數據分布特征及模糊隸屬度函數的恒星光譜分類方法，其特征在于，步驟B中，利用Lagrangian乘子法將雙支持向量機模型的兩個分類超平面的最優化問題轉化為對偶形式的步驟包括：
B1.將雙支持向量機模型的兩個分類超平面的最優化問題表示為以下Lagrangian函數式：
其中，Lagrangian乘子α≥0，β≥0
其中，Lagrangian乘子γ≥0，θ≥0；
B2.L(w+,b+,ξ,α,β)分別對w+，b+，ξ求導并令導數等于0，得到：
0≤α≤c1s1
L(w_,b_,ξ,γ,θ)分別對w_，b_，ξ求導并令導數等于0，得到：
0≤γ≤c2s2；
B3.將步驟B2得到的等式代入步驟B1中的Lagrangian函數式分別得到以下對偶形式：
其約束條件為：s.t.0≤α≤c1s1
其約束條件為：s.t.0≤γ≤c2s2。
4.如權利要求3所述的基于數據分布特征及模糊隸屬度函數的恒星光譜分類方法，其特征在于，所述決策函數為：
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于攀枝花學院，未經攀枝花學院許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810378637.2/1.html，轉載請聲明來源鉆瓜專利網。
