[發明專利]一種基于DPSO-WKELM-IFSVM的非線性數據分類方法

在審

• 申請號: 201910891353.8
• 申請日: 2019-09-21
• 公開（公告）號: CN110598071A
• 公開（公告）日: 2019-12-20
• 發明（設計）人: 胡燕祝;王松
• 申請（專利權）人: 胡燕祝
• 主分類號: G06F16/906
• 分類號: G06F16/906;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及基于DPSO?WKELM?IFSVM的非線性數據分類方法，是一種對非線性數據進行分類的方法，屬于數據處理領域，其特征在于采用如下步驟：(1)更新樣本數據收斂位置及速度；(2)求得網絡輸出權值；(3)構造核函數；(4)求學習機核變換函數；(5)樣本隸屬度函數構建；(6)構造決策函數。本發明克服非線性映射能力較差，識別率低問題。改進的極限學習機在函數逼近能力效果好，更好的處理非線性數據，有效提高分類準確率，完成非線性數據分類。這說明本發明對非線性數據分類，達到較好分類效果。采用等式約束替代不等式約束，降低計算復雜度，加快運行速度。為非線性數據進行分類提供了一種擁有較高分類準確率的方法。

技術領域

本發明涉及數據處理與機器學習領域，主要是一種對非線性數據進行分類的方法。

背景技術

數據分類是多個學科的交叉學科，被廣泛用于市場風險預測，風險管控等方面。隨著數據量和形式的急劇增長，復雜數據分類的研究充滿了挑戰，尤其是非線性數據分類中，從建模到分類算法方面均未達到令人滿意的效果。一方面，隨著上述新興技術、產業的發展與推廣，大量實時在線數據的快速收集得以實現，以數據分類為代表的數據挖掘技術將在越來越多的領域中發揮更大的作用。另一方面，從數據維度、數據類型及數據體量等不同層面來看，數據對象正變的越來越多樣化、復雜化，這極大的增加了精準化和精細化挖掘的難度，同時在知識獲取的準確性、合理性、可靠性及實用性等多個方面對數據分類的要求也越來越嚴格。

數據分類方法主要用于離散型數據樣本的樣本類別辨識與分析，隨著關系數據庫管理系統、數據倉庫、數據抽取轉換與裝載化及聯機分析處理等技術在商業應用中的成熟，C4.5、K-means算法、ISVM等許多經典機器學習算法得在數據分類等不同領域推廣和發展?，F有的IFSVM等方式，在引入參數時未做優化，分類效果不夠明顯。經典的PSO方式雖然使用了樣本到類中心的間距，但是在樣本周圍密度及信息量的隸屬度函數是為進行很好的優化，不能起到較好的分類效果。另外，ELM在訓練過程中隨機產生的輸入層權值和隱層節點偏置對模型的穩定性及分類精度產生的較大影響。隨著數據量的急劇增加，在數據分類精度和速度方面，都提出了相對較高的要求。因此，要實時準確數據分類，必須要建立一種高效、準確的數據分類方法，有效的減少處理時間，提高分類準確率，為后續數據處理步驟提供更加精確的數據類別。

發明內容

針對上述現有技術中存在的問題，本發明要解決的技術問題是提供一種基于DPSO-WKELM-IFSVM的非線性數據分類方法，其具體流程如圖1所示。

技術方案實施步驟如下：

(1)更新樣本數據收斂位置及速度

式中，表示樣本的位置屬性，表示速度向量，k表示迭代次數，d表示搜索空間維度，i表示粒子實例，c_s1,c_s2表示學習因子，為[0,1]內的隨機數，描述樣本個體和周圍緊密度大小，T_target取可行域內的值。

(2)訓練網絡輸出T_i：

式中，g(x)表示模型激活函數，L表示隱藏層節點數，w_i＝[w₁,w₁,...w_N]為神經元權值向量，β_i＝[β₁,β₂...β_m]為隱藏層和輸出層鏈接權值，b_i＝[b₁,b₂...b_m]^T為隱藏節點偏置。

(3)構造核函數Ω_ELM：