[发明专利]基于支持向量机近似模型的资源有限系统在线信息处理方法及装置

权利要求书

1.一种基于支持向量机近似模型的资源有限系统在线信息处理方法，其特征在于，包括：

步骤S1：在资源有限系统中预先存储由训练数据集得到的支持向量机近似模型和变换矩阵E；

步骤S2：读入待测数据，计算与所述训练数据集中的训练数据具有相同分布特征的待测数据中各特征的Fisher比的值，去除所述待测数据中的非重要特征；

步骤S3：将去除非重要特征后的待测数据与所述变换矩阵E相乘，得到预处理后的数据；

步骤S4：将预处理后的数据代入支持向量机近似模型，求解得到对应的数据标签，实现数据分类；

其中，所述支持向量机近似模型根据训练数据集，采用基于多元多项式拟合的支持向量机模型近似方法获得；

所述变换矩阵E通过对训练数据进行主成分分析得到；

所述非重要特征是指待测数据中特征的Fisher比的值小于预设的Fisher比的值的特征。

2.根据权利要求1所述的方法，其特征在于，步骤S1中在资源有限系统中预先存储由训练数据得到的支持向量机近似模型时，先比较对应具体模型阶次和数据维度的所述支持向量机近似模型所需的运算资源与资源有限系统所能提供的内部运算资源，确定是否适配；

当资源有限系统所能提供的内部运算资源小于所述支持向量机近似模型所需的运算资源时，对所述支持向量机近似模型进行降阶；当所述近似模型首次降到一阶时，若资源有限系统所能提供的内部运算资源离所述支持向量机近似模型所需的运算资源的差距达到预设比例时，启用资源有限系统的外部运算资源；

其中，所述资源有限系统所能提供的内部运算资源指资源有限系统的混合信号处理器或微控制器片内所能提供的运算资源；

所述资源有限系统的外部运算资源指资源有限系统配置的外部扩展数据存储器提供的运算资源。

3.根据权利要求2所述的方法，其特征在于，对所述支持向量机近似模型进行降阶的操作为：

保持当前数据维度，将所述支持向量机近似模型降低一个阶次得到新的支持向量机近似模型，计算新的支持向量机近似模型所需的运算资源，并将新的支持向量机近似模型所需的运算资源与资源有限系统所能提供的运算资源相比较：

当新的支持向量机近似模型所需的运算资源小于或等于资源有限系统所能提供的运算资源时，新的支持向量机近似模型即为与资源有限系统适配的支持向量机近似模型；当新的支持向量机近似模型所需的运算资源大于资源有限系统所能提供的运算资源时，重复上述降阶操作，直至获得与具体资源有限系统适配的支持向量机近似模型；

当首次降为一阶的支持向量机近似模型所需的运算资源大于资源有限系统所能提供的内部运算资源、但小于或等于资源有限系统所能提供的全部运算资源时，启用资源有限系统的外部运算资源，此时的支持向量机近似模型即为与系统适配的支持向量机近似模型；否则去除所述训练数据中Fisher比的值最低的特征，得到新维度的训练数据，重新确定此维度下的支持向量机近似模型及其所需的运算资源，并将新维度下的支持向量机近似模型所需的运算资源与资源有限系统所能提供的运算资源相比较：

当新维度下的支持向量机近似模型所需的运算资源小于或等于资源有限系统所能提供的全部运算资源时，新维度下的支持向量机近似模型即为与资源有限系统适配的支持向量机近似模型；新维度下的支持向量机近似模型所需的运算资源大于资源有限系统所能提供的全部运算资源时，重复上述降阶操作，直至获得与资源有限系统适配的支持向量机近似模型；

其中，所述资源有限系统所能提供的全部运算资源指资源有限系统所能提供的内部运算资源和外部运算资源的总和。

4.根据权利要求2所述的方法，其特征在于，步骤S1中通过主成分分析获取交换矩阵E的操作为：

步骤S11：求取训练矩阵A的协方差矩阵

其中，训练矩阵A由m个k维的训练数据组成；

步骤S12：对协方差矩阵S进行特征分解，计算协方差矩阵S的特征值和对应的特征向量，将特征值从大到小排序；

步骤S13：取前p个特征值对应的特征向量组成交换矩阵E；

其中，交换矩阵E是规模为k*p的矩阵，m、k和p均为正整数。