[發明專利]基于樣本分布密度改進KKT條件的SVM增量學習方法

在審

• 申請號: 202110652246.7
• 申請日: 2021-06-11
• 公開（公告）號: CN113449779A
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 王彩云;吳釔達;李陽雨;丁牧恒
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/20
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 賀翔

1.一種基于樣本分布密度改進KKT條件的SVM增量學習方法，其特征在于，步驟如下：

1)根據原始樣本集A訓練SVM分類器Model_old，獲得分類器Model_old的支持向量集SV₀與標準KKT條件Ⅰ；

2)計算原始樣本集A中正、負類樣本的樣本分布密度，并根據樣本分布密度計算正、負樣本下的偏置參數，在標準KKT條件Ⅰ的基礎上增加偏置參數，構建SVM分類器Model_old下針對正、負類樣本自適應優化的改進KKT條件Ⅰ；

3)判斷新增樣本集B中樣本是否全部滿足SVM分類器Model_old的標準KKT條件Ⅰ，若全部滿足，則輸出原始SVM分類器Model_old即為所需模型，結束；否則將新增樣本集B中違背標準KKT條件Ⅰ的樣本放入集合B1，滿足標準KKT條件Ⅰ的樣本放入集合B2；

4)判斷新增樣本集B中樣本是否滿足SVM分類器Model_old的改進KKT條件Ⅰ，將滿足改進KKT條件Ⅰ的樣本放入候選支持向量集SV₁，定義為可能的支持向量樣本；

5)根據候選支持向量集SV₁訓練分類器Model₁，獲得分類器Model₁的標準KKT條件Ⅱ，利用支持向量集SV₁的樣本分布密度計算正、負樣本下的偏置參數，獲得增加偏置參數后的改進KKT條件Ⅱ；

6)判斷集合B2是否滿足改進KKT條件Ⅱ，若集合B2為空或所有樣本均滿足改進KKT條件Ⅱ，則輸出更新后的模型即為分類器Model₁，結束；否則將不滿足改進KKT條件Ⅱ的樣本放入補充支持向量集SV_add；

7)采用SV₀∪SV₁∪SV_add集合訓練分類器Model₂并輸出更新后的分類器為Model₂，SV₀為原始分類器的支持向量集，SV_add為補充支持向量集。

2.根據權利要求1所述的基于樣本分布密度改進KKT條件的SVM增量學習方法，其特征在于，所述步驟1)中根據原始樣本集訓練SVM分類器Model_old過程中采用LIBSVM工具箱，所述標準KKT條件Ⅰ表示如下式：

SVM分類器的最優超平面最優解求解過程中，定義條件0≤α_ι＜X，標準KKT條件簡化表示為y_if(x_i)≤1；其中，C為懲罰系數，α＝(α₁,α₂,...,α_n)^T為拉格朗日乘子，T表示矩陣的轉置，y_i∈[1,-1]為樣本標簽，f(x_i)為樣本x_i與最優超平面之間的距離。