[发明专利]一种高效的SVM主动半监督学习算法

权利要求书

1.一种高效的SVM主动半监督学习算法，其特征在于，包括以下步骤：

(一)、在已标记训练样本集L上训练初始的SVM分类器

(二)、判断初始的SVM分类器是否满足学习终止条件S_stop，若满足，则结束SVM训练学习；若不满足，则转到步骤(三)；

(三)、使用初始的SVM分类器对未标记样本U进行预测标注；

(四)、对未标记样本U中预测标注置信度大于阈值的样本进行基于Tri-training的半监督学习，并将半监督学习所选择的样本加入已标记训练样本集L；

对未标记样本U中预测标注置信度小于阈值的样本进行基于QBC的主动学习，并将主动学习所选择的样本加入已标记训练样本集L；

(五)、在更新的已标记训练样本集L上训练SVM分类器

(六)、重复步骤(二)，直至训练的SVM分类器满足主动学习的终止条件S_stop。

2.根据权利要求1所述的高效的SVM主动半监督学习算法，其特征在于，在步骤(一)中，在训练学习的初始阶段，训练初始的SVM分类器采用如下的加权SVM：

SVM分类器f_svm原始最优化问题为：

min:12||w||2+λiCΣi=1lsiξis.t.yi(wTφ(xi)+b)≥1-ξi,ξi≥0,i=1,...,n]]>   式(1)

式中，s_i表示对不同样本的权重，λ_i为类y_i的权重；

SVM分类器f_svm对偶问题为：

max:Σi=1nαi-12Σi,j=1nαiαjyiyjK(xi,xj)s.t.Σi=1nyiαi=0,0≤αi≤λisiC,i=1,...,n]]>  式(2)

SVM分类器f_svm分类决策函数为：

f(x)=sign(Σi=1nαiyiK(xi,x)+b)]]>  式(3)

确定加权SVM的权重系数采取如下方法：

2a、在SVM主动学习训练的初始阶段，每个样本的权重参数s_i都相同，取s_i＝1/n，构造初始分类器

2b、在初始分类器的基础上，随着SVM主动学习过程的进行，进行第k(k＝1,2,…)次采样，对候选样本集U使用分类器，从候选样本集中根据选择距离超平面最近的m个样本作为增量样本标记后加入到训练集中，并对新的训练集使用分类器，寻找此时分类间隔中的正负例样本，令分类间隔中的样本的权重参数大于分类间隔外的样本的权重参数，正负例样本的类别权重参数与分类间隔中的正负例样本数成反比，然后进行SVM主动学习进程，并训练