[發(fā)明專利]基于核極限學習機的樣本處理方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010841786.5
• 申請日: 2020-08-20
• 公開（公告）號: CN111985103A
• 公開（公告）日: 2020-11-24
• 發(fā)明（設計）人: 熊偉麗;代學志
• 申請（專利權）人: 江南大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N20/00
• 代理公司: 南京經(jīng)緯專利商標代理有限公司 32200
• 代理人: 樓高潮

1.基于核極限學習機的樣本處理方法，應用于軟測量中，其特征在于，所述方法，包括：

步驟S12、識別預處理樣本集中的無標記樣本及有標記樣本，確定無標記樣本集及有標記樣本集作為處理對象；

步驟S14、基于KELM算法從所述無標記樣本集中選取滿足預設要求的無標記樣本，構成第一子樣本集；

步驟S16、將所述第一子樣本集中的樣本進行標記，得到帶有標記的第二子樣本集，將第二子樣本集加入所述有標記樣本集，得到更新后的有標記樣本集；其中，在對第一子樣本集中的樣本進行標記之后，從所述無標記樣本集中去除所述第一子樣本集中的樣本，得到更新后的無標記樣本集；

步驟S18、若所述有標記樣本集與更新后的有標記樣本集的相似度滿足預設要求，則基于更新后的有標記樣本集進行軟測量。

2.根據(jù)權利要求1所述的方法，其特征在于，所述方法，還包括：

若所述有標記樣本集與更新后的有標記樣本集的相似度不滿足預設要求，則確定更新后的有標記樣本集與更新后的無標記樣本集構成的樣本集為預處理樣本集，并迭代執(zhí)行步驟S12、步驟S14、步驟S16及步驟S18，直到第K次更新后的有標記樣本與第K-1次更新后的有標記樣本的相似度滿足要求，則基于第K次更新后有標記樣本進行軟測量。

3.根據(jù)權利要求1所述的方法，其特征在于，所述基于KELM算法從所述無標記樣本集中選取滿足預設要求的無標記樣本，構成第一子樣本集，包括：

計算所述無標記樣本集中的無標記樣本的置信度；

選取置信度滿足預設要求的無標記樣本，構成第一子樣本集。

4.根據(jù)權利要求1所述的方法，其特征在于，所述方法，還包括：

步驟S171、分別求取第k-1次更新后的有標記樣本的協(xié)方差矩陣R^k及第k次更新后的有標記樣本的協(xié)方差矩陣R^k+1；

步驟S172、將第k-1次更新后的有標記樣本的協(xié)方差矩陣R^k與第k次更新后的有標記樣本的協(xié)方差矩陣R^k+1合并，得到混合后的協(xié)方差矩陣R_mix，并求取R_mix的正交矩陣P₀；

步驟S173、利用轉換矩陣P將第k-1次更新后的無標記樣本集轉換成Y^k，并求取Y^k的協(xié)方差矩陣S^k；

步驟S174、對S^k進行特征分解，求取第k-1次更新后的第j個特征向量與第k次更新后的第j個特征向量之間的關系模型；

步驟S175、根據(jù)所述關系模型求取第k-1次更新后的有標記樣本集與第k次更新后的有標記樣本集的相似度。

5.基于核極限學習機的樣本處理系統(tǒng)，應用于軟測量中，其特征在于，所述系統(tǒng)包括：

識別模塊，用于識別預處理樣本集中的無標記樣本及有標記樣本，確定無標記樣本集及有標記樣本集作為處理對象；

樣本選取模塊，用于基于KELM算法從所述無標記樣本集中選取滿足預設要求的無標記樣本，構成第一子樣本集；

樣本標記模塊，用于將所述第一子樣本集中的樣本進行標記，得到帶有標記的第二子樣本集，將第二子樣本集加入所述有標記樣本集，得到更新后的有標記樣本集；其中，在對第一子樣本集中的樣本進行標記之后，從所述無標記樣本集中去除所述第一子樣本集中的樣本，得到更新后的無標記樣本集；

樣本確定模塊，用于若所述有標記樣本集與更新后的有標記樣本集的相似度滿足預設要求，則基于更新后的有標記樣本集進行軟測量。

6.根據(jù)權利要求5所述的系統(tǒng)，其特征在于，還包括：

迭代更新模塊，用于若所述有標記樣本集與更新后的有標記樣本集的相似度不滿足預設要求，則確定更新后的有標記樣本集與更新后的無標記樣本集構成的樣本集為預處理樣本集，并迭代運行識別模塊、樣本選取模塊樣本標記模塊及樣本確定模塊，直到第K次更新后的有標記樣本與第K-1次更新后的有標記樣本的相似度滿足要求，則基于第K次更新后的有標記樣本進行軟測量。