[發(fā)明專利]一種基于最大混合互相關(guān)熵準則的魯棒核學習方法

在審

• 申請?zhí)枺?/td>: 201910828106.3
• 申請日: 2019-09-03
• 公開（公告）號: CN112446506A
• 公開（公告）日: 2021-03-05
• 發(fā)明（設計）人: 王棟;陳霸東;鄭云飛
• 申請（專利權(quán)）人: 西安慧腦智能科技有限公司
• 主分類號: G06N20/10
• 分類號: G06N20/10
• 代理公司: 北京弘權(quán)知識產(chǎn)權(quán)代理事務所(普通合伙) 11363
• 代理人: 逯長明;許偉群

1.一種基于最大混合互相關(guān)熵準則的魯棒核學習方法，其特征在于，所述方法包括：

獲取訓練輸入數(shù)據(jù)和訓練輸出數(shù)據(jù)；

將所述訓練輸入數(shù)據(jù)映射到高維特征空間得到第一訓練輸入數(shù)據(jù)；

根據(jù)所述第一訓練輸入數(shù)據(jù)建立優(yōu)化模型，并求解模型參數(shù)；

根據(jù)所述模型參數(shù)建立輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的映射關(guān)系。

2.根據(jù)權(quán)利要求1所述的基于最大混合互相關(guān)熵準則的魯棒核學習方法，其特征在于，所述第一訓練輸入數(shù)據(jù)為經(jīng)過高斯核函數(shù)構(gòu)建的核函數(shù)。

3.根據(jù)權(quán)利要求1所述的基于最大混合互相關(guān)熵準則的魯棒核學習方法，其特征在于，所述方法包括：采用最大互相關(guān)熵準則作為優(yōu)化準則優(yōu)化模型。

4.根據(jù)權(quán)利要求1所述的基于最大混合互相關(guān)熵準則的魯棒核學習方法，其特征在于，將所述訓練輸入數(shù)據(jù)映射到高維特征空間得到第一訓練輸入數(shù)據(jù)包括：

根據(jù)得到κ(x_n,·)，其中κ(·,·)表示一個核函數(shù)，σ表示核參數(shù)；

根據(jù)得到其中表示x_n映射到核空間后的特征矢量；

根據(jù)得到所述第一訓練輸入數(shù)據(jù)。

5.根據(jù)權(quán)利要求1所述的基于最大混合互相關(guān)熵準則的魯棒核學習方法，其特征在于，根據(jù)所述第一訓練輸入數(shù)據(jù)建立優(yōu)化模型，并求解模型參數(shù)包括：

根據(jù)所述第一訓練數(shù)據(jù)建立優(yōu)化模型其中β是模型參數(shù)，0≤λ≤1是混合系數(shù)，γ≥0是正則化因子，σ₁和σ₂是核參數(shù)，且要求σ₁＜σ₂；

采用固定點迭代策略α(t)＝f₁(α(t-1))得到α的值，其中Δ＝diag[θ₁,…,θ_N]，f₁(α)＝(ΦΦ^T+γΔ^-1)^-1Y；

根據(jù)β＝Φ^Tα得到β。

6.根據(jù)權(quán)利要求1所述的基于最大混合互相關(guān)熵準則的魯棒核學習方法，其特征在于，根據(jù)所述模型參數(shù)建立輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的映射關(guān)系包括：

根據(jù)得到

根據(jù)得到輸出數(shù)據(jù)之間的映射關(guān)系為