[發明專利]一種基于極限學習機分類的方法、裝置及系統

在審

• 申請號: 201810414249.5
• 申請日: 2018-05-03
• 公開（公告）號: CN108932522A
• 公開（公告）日: 2018-12-04
• 發明（設計）人: 馬超;韓麗屏;于成龍;趙文勇
• 申請（專利權）人: 深圳信息職業技術學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00
• 代理公司: 深圳中一專利商標事務所 44237
• 代理人: 官建紅

1.一種基于核極限學習機分類的方法，其特征在于，所述方法包括：

獲取包含樣本屬性特征的訓練集；

基于所述訓練集，利用花朵授粉算法優化核極限學習機的懲罰因子和核寬系數，以獲得優化后的懲罰因子和優化后的核寬系數，其中，所述優化后的懲罰因子用于控制噪聲樣本帶來的損失程度，所述優化后的核寬系數用于控制單個樣本數據對整個分類結果的影響程度；

基于所述優化后的懲罰因子和所述優化后的核寬系數構建核極限學習機的基本分類模型，其中，所述基本分類模型包含兩個以上的分類器；

利用旋轉森林算法對所述訓練集進行處理以獲得新的訓練集，并通過每一個所述分類器對所述新的訓練集進行分類；

根據每一個所述分類器的分類結果和多數投票策略獲得最終的分類結果。

2.根據權利要求1所述的方法，其特征在于，基于所述訓練集，利用花朵授粉算法優化核極限學習機的懲罰因子和核寬系數，包括：

基于所述訓練集，計算每一個花粉的適應度，所述適應度的計算公式為：

其中，acc_k為第k折交叉驗證的正確率，K為大于0的整數。

3.根據權利要求1所述的方法，其特征在于，所述基于所述優化后的懲罰因子和所述優化后的核寬系數構建核極限學習機的基本分類模型，包括：

基于所述優化后的懲罰因子和所述優化后的核寬系數，按照如下公式構建所述核極限學習機的基本分類模型：

其中，x為樣本集中的數據，x₁,x₂,…,x_N為訓練集中的數據，N為預設的訓練樣本數，n∈[1,N]，σ表示優化后的核寬系數，Ω_ELM為預設的符合Mercer定理構造的核矩陣，I表示單位矩陣，C表示優化后的懲罰因子，表示將所述核矩陣的對角線上的元素加上偏置常量T為期望的模型輸出。

4.根據權利要求1所述的方法，其特征在于，所述多數投票策略為：

其中，T_c(x)為第c個分類器輸入的訓練數據，y為分類器輸出的類標號，且y∈{-1,1}。

5.根據權利要求1至4任一項所述的方法，其特征在于，獲取包含樣本屬性特征的訓練集，包括：

通過局部Fisher判別分析算法對樣本集進行特征提取，獲得包含樣本屬性特征的訓練集。

6.一種基于核極限學習機分類的裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取包含樣本屬性特征的訓練集；

優化模塊，用于基于所述訓練集，利用花朵授粉算法優化核極限學習機的懲罰因子和核寬系數，以獲得優化后的懲罰因子和優化后的核寬系數，其中，所述優化后的懲罰因子用于控制噪聲樣本帶來的損失程度，所述優化后的核寬系數用于控制單個樣本數據對整個分類結果的影響程度；

創建模塊，用于基于所述優化后的懲罰因子和所述優化后的核寬系數構建核極限學習機的基本分類模型，其中，所述基本分類模型包含兩個以上的分類器；

分類模塊，用于利用旋轉森林算法對所述訓練集進行處理以獲得新的訓練集，并通過每一個所述分類器對所述新的訓練集進行分類；

集成模塊，用于根據每一個所述分類器的分類結果和多數投票策略獲得最終的分類結果。

7.根據權利要求6所述的裝置，其特征在于，所述優化模塊具體用于：

基于所述訓練集，計算每一個花粉的適應度，所述適應度的計算公式為：

其中，acc_k為第k折交叉驗證的正確率，K為大于0的整數。

8.根據權利要求6所述的裝置，其特征在于，所述投票策略為：

其中，T_c(x)為第c個分類器輸入的訓練數據，y為分類器輸出的類標號，且y∈{-1,1}。