[發(fā)明專利]一種基于模糊雙超球分類模型的數(shù)據(jù)分類方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201810623801.1
• 申請日: 2018-06-15
• 公開（公告）號: CN110555054B
• 公開（公告）日: 2023-06-09
• 發(fā)明（設(shè)計）人: 劉忠寶
• 申請（專利權(quán)）人: 泉州信息工程學(xué)院
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F18/2411
• 代理公司: 北京安博達(dá)知識產(chǎn)權(quán)代理有限公司 11271
• 代理人: 徐國文

本發(fā)明涉及一種基于模糊雙超球分類模型的數(shù)據(jù)分類方法及系統(tǒng)，所述方法包括：獲取待測數(shù)據(jù)；通過預(yù)先建立的模糊雙超球分類模型的決策函數(shù)確定所述待測數(shù)據(jù)的分類結(jié)果；其中，所述模糊雙超球分類模型包括決策函數(shù)和兩個模糊超球模型；所述決策函數(shù)通過兩個模糊超球模型的最優(yōu)球心和最優(yōu)半徑進(jìn)行確定，所述兩個模糊超球模型的最優(yōu)球心和最優(yōu)半徑通過對各自的訓(xùn)練樣本集進(jìn)行訓(xùn)練確定，采用該技術(shù)方案不僅時間復(fù)雜度低，效率更高，同時在構(gòu)建超球模型的過程中引入模糊隸屬度函數(shù)，避免現(xiàn)有技術(shù)中易受奇異點和噪聲點影響的問題，實現(xiàn)高精確度的數(shù)據(jù)分類。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)分類技術(shù)領(lǐng)域，具體涉及一種基于模糊雙超球分類模型的數(shù)據(jù)分類方法及系統(tǒng)。

背景技術(shù)

隨著高科技數(shù)據(jù)采集和探測技術(shù)的發(fā)展，獲取數(shù)據(jù)的途徑越來越廣，效率也大幅上升，觀測數(shù)據(jù)的規(guī)模也日益龐大，傳統(tǒng)的數(shù)據(jù)分類方法無法滿足實際需要，需將智能分類方法引入到數(shù)據(jù)分類方法中，在現(xiàn)有的數(shù)據(jù)分類方法中，應(yīng)用比較廣泛的有支持向量機(jī)(Support?Vector?Machine,SVM)和雙支持向量機(jī)(Twin?Support?Vector?Machine,TWSVM)；其中，支持向量機(jī)通過構(gòu)建一個超平面達(dá)到對數(shù)據(jù)進(jìn)行分類的效果，但由于時間復(fù)雜度過高，導(dǎo)致計算效率低下，雙支持向量機(jī)采用構(gòu)造一對分類超平面將兩類數(shù)據(jù)分開，該方法的時間復(fù)雜度僅是SVM的1/4，這在很大程度上提高了支持向量機(jī)的計算效率。然而，該方法易受到奇異點和噪聲點的影響，分類精度有待提高。

發(fā)明內(nèi)容

本發(fā)明提供種基于模糊雙超球分類模型的數(shù)據(jù)分類方法及系統(tǒng)，其目的是通過訓(xùn)練每一類訓(xùn)練樣本數(shù)據(jù)分別構(gòu)造兩個模糊超球模型，然后利用兩個模糊超球模型的最優(yōu)球心和最優(yōu)確定決策函數(shù)并達(dá)到數(shù)據(jù)分類的目的，其中引入模糊隸屬度函數(shù)，有效地降低了奇異點和噪聲點對分類結(jié)果的影響，提升分類精確度。

本發(fā)明的目的是采用下述技術(shù)方案實現(xiàn)的：

一種基于模糊雙超球分類模型的數(shù)據(jù)分類方法，其改進(jìn)之處在于，所述方法包括：

獲取待測數(shù)據(jù)；

通過預(yù)先建立的模糊雙超球分類模型的決策函數(shù)確定所述待測數(shù)據(jù)的分類結(jié)果；

其中，所述模糊雙超球分類模型包括決策函數(shù)和兩個模糊超球模型；所述決策函數(shù)通過兩個模糊超球模型的最優(yōu)球心和最優(yōu)半徑進(jìn)行確定，所述兩個模糊超球模型的最優(yōu)球心和最優(yōu)半徑通過對各自的訓(xùn)練樣本集進(jìn)行訓(xùn)練確定；所述兩個模糊超球模型的訓(xùn)練樣本集為分別從對應(yīng)類型的實驗數(shù)據(jù)中隨機(jī)抽取的數(shù)據(jù)集合。

優(yōu)選地，所述決策函數(shù)通過兩個模糊超球模型的最優(yōu)球心和最優(yōu)半徑進(jìn)行確定，包括：按下式確定所述模糊雙超球分類模型的決策函數(shù)f(x)：

式中，c'₊為第一模糊超球模型的最優(yōu)球心，c'_-為第二模糊超球模型的最優(yōu)球心，R'₊為第一模糊超球模型的最優(yōu)半徑，R'_-為第二模糊超球模型的最優(yōu)半徑，x為待測樣本點。

優(yōu)選地，所述兩個模糊超球模型的最優(yōu)球心和最優(yōu)半徑通過對各自的訓(xùn)練樣本集進(jìn)行訓(xùn)練確定，包括：

從所述實驗數(shù)據(jù)中隨機(jī)抽取數(shù)據(jù)確定為訓(xùn)練樣本集，并根據(jù)實驗數(shù)據(jù)的類別標(biāo)簽將所述訓(xùn)練樣本集分為第一類訓(xùn)練樣本集和第二類訓(xùn)練樣本集；

分別對所述第一類訓(xùn)練樣本集和第二類訓(xùn)練樣本集進(jìn)行訓(xùn)練構(gòu)建第一模糊超球模型和第二模糊超球模型；

利用拉普拉斯乘子法，引入拉格朗日乘子，將第一模糊超球模型和第二模糊超球模型的最優(yōu)化問題轉(zhuǎn)換為對偶形式，獲取數(shù)據(jù)模糊雙超球分類模型的最優(yōu)球心和最優(yōu)半徑。

進(jìn)一步地，所述分別對所述第一類訓(xùn)練樣本集和第二類訓(xùn)練樣本集進(jìn)行訓(xùn)練構(gòu)建第一模糊超球模型和第二模糊超球模型，包括：