[发明专利]一种融合增量学习的支持向量机多类分类方法

权利要求书

1.一种融合增量学习的支持向量机多类分类方法，其特征在于包括步骤：

步骤1、在总的样本中随机抽取一部分作为训练样本集D，另一部分作为测试样本集T；

步骤2、对训练样本集D进行预抽取支持向量，获得最终的预抽取训练样本集PTS，剩下的训练样本作为增量样本集B₀；

步骤3、用循环迭代法对预抽取训练样本集PTS进行支持向量机训练，得到多类分类模型M-SVM；

步骤4、对多类分类模型M-SVM进行二叉树处理，得到基于二叉树的支持向量机多类分类模型BTMSVM₀；

步骤5、对多类分类模型BTMSVM₀进行增量学习训练，得到新的多类分类模型BTMSVM₁；

步骤6、将步骤1中的测试样本集T输入到多类分类模型BTMSVM₁进行分类。

2.根据权利要求1所述的融合增量学习的支持向量机多类分类方法，其特征在于步骤2中所述的预抽取支持向量按以下步骤进行：

2.1、对K类样本根据各类样本的数量进行由多到少排序，训练样本中出现最多的类为第1类，以此类推，直至第K类，形成分类序列集合{s₁，s₂...s_k}；

2.2、确定训练样本的类型，对于K类的训练样本，训练K-1个支持向量机，第i个支持向量机以第i类样本为正的训练样本，将第i+1，i+2.....K类训练样本作为负的训练样本训练SVM(i)(i＝1....K-1)，第K-1个支持向量机将以第K-1类样本作为正样本，以第K类样本为负样本训练SVM(K-1)；

2.3、从训练样本集D中的第i类样本集中选取一个样本，根据类均值距离法求其与第i+1类所有样本间的距离δ_i，j(i＝1，2...k，j＝1，2，...k)：

δ_i，j＝||m_i-m_j||²-r_i-r_j

ri=1nΣk=1ni||xki-mi||2]]>

其中表示第i类样本集的均值向量，||m_i-m_j||²为i类和j类均值向量间的距离，r_i和r_j分别为i类及j类的类平均半径，n_i为i类中的样本数目，称δ_i，j为i类和j类之间的类均值距离；

2.4、找出这些距离中的最小值及与这个最小距离所对应的第i+1类中的样本，将其放在预抽取样本集合PTS₀中；

2.5、返回到步骤2.3，遍历完训练样本集D中第i类中的所有样本；

2.6、返回到步骤2.1，遍历完训练样本集D中第i+1类中的所有样本；

2.7、对预抽取样本集合PTS₀中的样本做唯一化处理，获得最终的预抽取训练样本集合PTS。