[发明专利]基于信息浓缩的隐私保护SVM分类方法

权利要求书

1.基于信息浓缩的隐私保护支持向量机分类方法，所述方法包括：对原始训练样本进行信息浓缩；对浓缩后得到的样本点采用相关机制来组成新的训练样本并用新样本进行学习，进而得到决策函数；对待分类的数据使用此决策函数进行分类并得到准确率，并和软间隔的SVM进行比较。

2.根据权利要求1所述的极大中心间隔的核可能性C均值聚类方法，对训练样本进行信息浓缩，相关的浓缩方法采用模糊C均值聚类FCM算法，相关的FCM描述如下：

设表示给定的样本集合，s是样本空间的维数，n表示样本的个数。FCM算法可以描述为如下的一个优化问题：

min Jfcm(U,V)=Σi=1cΣj=1nuijm||xj-vi||2]]>

式中，m＞1是模糊系数；c(c＞1)表示聚类个数；V是聚类中心构成的向量且V＝[v₁，v₂，...，v_c]；U＝u_ij是一个c×n的模糊划分矩阵，u_ij是第j个样本x_j属于第i类的隶属度值；||x_j-v_i||表示从样本x_j到聚类中心v_i的距离，这里采用经典的欧式距离。采用拉格朗日数乘法，分别对上式中的v_i和u_ij求偏导，可得到优化迭代公式：

vi=Σj=1nuijmxjΣj=1nuijm,i=1,2,...,c]]>

uij=[Σr=1c(||xj-vi||||xj-vr||)2m-1]-1,j=1,2,...,n]]>

使用FCM对训练样本进行聚类分析，这里设聚类的个数为n/3。聚类分析后得到了聚类中心v_i和隶属于这个类的样本x_j(1≤j≤n)，此时聚类中心v_i可以表示为属于这个类的所有样本的信息浓缩点，可以较好的表示这些样本的本质信息。