[發明專利]基于多示例學習的分類器構建方法及裝置

有效

• 申請號: 201910721180.5
• 申請日: 2019-08-06
• 公開（公告）號: CN110414621B
• 公開（公告）日: 2022-03-22
• 發明（設計）人: 李鵬程;肖燕珊;劉波;曾博;溫勁;馮俊耀;郝志峰
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 李偉

1.一種基于多示例學習的分類器構建方法，應用于腦電信號識別領域，其特征在于，包括：

采用滑動窗技術，依據腦電信號生成的時間順序對腦電信號進行劃分，得到多個腦電信號示例數據，并對劃分得到的各個腦電信號示例數據依次進行存儲，得到預先設置的訓練數據集；

獲取所述預先設置的訓練數據集，所述訓練數據集包括第一標簽數據集合、第二標簽數據集合及第三標簽數據集合，其中，所述第一標簽數據集合包含多個帶正類標簽的數據包，所述第二標簽數據集包含多個帶負類標簽的數據包，所述第三標簽集合中包含多個除正類標簽及負類標簽之外的第三標簽的數據包；所述第一標簽數據集合具體為健康人的腦電信號，所述第二標簽數據集合具體為癲癇病患者的腦電信號，所述第三標簽數據集合具體為癲癇患者未發病時的腦電信號；

將所述第一標簽數據集合中的各個樣本數據、第二標簽數據集合中的各個樣本數據及第三標簽數據集合中的各個樣本數據，輸入至預先構建的相似度模型中，以確定所述訓練數據集中的各個樣本數據的分別與預先設置的第一標簽組、第二標簽組及第三標簽組的相似度；

依據所述第一標簽數據集合中的各個樣本數據與所述第一標簽組的相似度，將所述第一標簽數據集合劃分為第一子數據集合及第二子數據集合；其中，所述第一子數據集合中的各個樣本數據與所述第一標簽組的相似度均大于所述第二子數據集合中的各個樣本數據與所述第一標簽組的相似度；

基于所述訓練數據集中的各個樣本數據分別與預先設置的第一標簽組、第二標簽組及第三標簽組的相似度，分別為所述第一子數據集合、所述第二子數據集合、所述第二標簽數據集合及所述第三標簽數據集合分配相似度權重；

依據各個所述相似度權重構建分類器，包括：將各個所述相似度權重確定分類器的目標方程；確定與所述目標方程對應的對偶方程；對所述對偶方程進行求解，得到所述分類器，其中所述目標方程如下：

s.t.〈w,φ(x_i)〉+b≥1-ε_i

w,φ(x_j)+b≥1-ε_j

w,φ(x_k)+b≥-1+ε_k

w,φ(x_g)+b≥-1+ε_g

w,φ(x_m)+b≥-δ-ψ_m

ε_i≥0,ε_j≥0,ε_k≥0,ε_g≥0,ψ_m≥0,

其中,C₁,C₂,C₃,C₄,C₅是懲罰參數，ε_i,ε_j,ε_k,ε_g是第一標簽數據集合及第二標簽數據集合中樣本數據的松弛變量，ψ_m,是第三標簽數據集合的松弛變量，δ是用戶定義的超參數用于使第三標簽數據集合中的樣本數據在分類器中處于正負樣本之間，m⁺(x_j),m^-(x_k),m^u(x_m)為相似度權重，S^a為第一子數據集合，S^p為第二子數據集合，Sⁿ為第二標簽數據集合，S^u為第三標簽數據集合；

判斷所述分類器是否滿足預先設置的停止迭代條件，包括：獲取當前分類器的目標方程的目標最小化值f^{n}，其中，n表示第n次迭代，判斷所述分類器是否滿足停止迭代條件，若當前得到的目標最小化值f^{n}與前一次計算得的目標最小化值f^{n-1}滿足f^{n-1}-f^{n}0.1*f^{n-1}，則停止該迭代操作；若f^{n-1}-f^{n}≥0.1*f^{n-1}，則繼續執行該迭代操作；

若所述分類器不滿足所述停止迭代條件，則應用所述第一標簽數據集合、所述第二標簽數據集合及所述第三標簽數據集合，對所述分類器訓練，直至所述分類器滿足所述停止迭代條件。