[发明专利]一种用于在线学习的样本集训练方法

权利要求书

1.一种用于在线学习的样本集训练方法，其特征在于该方法包括以下步骤：

步骤(1)准备一个初始样本集S，并将其分成K个样本子集S_k，其中k=1,2,…,K；每个样本子集S_k有m个样本(x_i,y_i)，i=1,2,…,m，并且都需要进行T_k次迭代；

步骤(2)针对每个样本子集S_k，按照下列步骤依次进行T_k次迭代：

步骤(2.1)对样本子集S_k的样本权值进行初始化，其中权值w₁(i)＝D₁(i)＝1/m；

步骤(2.2)设t的初始值为1，执行完下列步骤后t值自加一，直至t值大于T_k；

步骤(2.2.1)对样本权值w_t进行归一化，建立分布

步骤(2.2.2)根据分布D_t随机选择训练集TR_t和测试集TE_t；利用Qhull算法求取训练集TR_t的壳向量集其中并将其作为新的训练集；

步骤(2.2.3)在训练集上训练支持向量机，得到支持向量机h_t:X→Y；

步骤(2.2.4)计算支持向量机h_t在训练集TR_t和测试集TE_t上的错误率：

ϵt=Σi:ht(xi)≠yiDi(i)onTRt+TEt;]]>

如果ε_t＞1/2，则令t=t-1，删除支持向量机h_t，跳转到步骤(2.2.2)；否则计算正规化错误率：β_t＝ε_t/(1-ε_t)；

步骤(2.2.5)通过权重投票方式产生集成的支持向量机H_t：

Ht=argmaxy∈YΣt:ht(x)=ylog(1/βt);]]>

并计算集成误差Et=Σi:Ht(xi)≠yiDt(i)=Σi=1mDt(i)[|Ht(xi)≠yi|];]]>如果E_t＞1/2，删除此集成的支持向量机H_t，并令t=t-1，跳转到步骤(2.2.2)；

步骤(2.2.6)设集成正规化错误率B_t＝E_t/(1-E_t)，修改样本子集中样本的权值:

步骤(3)将所有集成的支持向量机H_t采用权重投票的方式产生最终输出：

Hfinal=argmaxy∈YΣk=1KΣt:Ht(x)=ylog(1βt).]]>