[发明专利]基于数据分布特征的保序学习机

权利要求书

1.基于数据分布特征的保序学习机，其特征在于，通过引入线性判别分析中的类内离散度用以表征数据的分布特征，通过在优化问题的约束条件中增加各类样本中心相对关系的限制，用以确保分类过程中将样本的相对关系考虑在内。

2.如权利要求1所述的基于数据分布特征的保序学习机，其特征在于，具体的算法流程如下：

A.利用训练数据集建立基于类内离散度以及各类样本中心相对关系的限制的学习机模型，所述学习机模型的最优化问题为：

其约束条件为：s.t.W^T(m_i+1-m_i)≥ρ，i＝1,2,…,c-1

其中，W为分类超平面的法向量，β为平衡因子，v是通过网格搜索策略选择的常数，ρ为各类样本间距，是各类样本均值，c是类别数，S_W是类内离散度，其定义为：其中C_i表示第i类样本集合，p(C_i)＝N_i/N；

B.利用Lagrangian乘子法将所述学习机模型的最优化问题转化为对偶形式，求得分类超平面的法向量；

C.根据求得的法向量定义判别函数。

3.如权利要求2所述的基于数据分布特征的保序学习机，其特征在于，步骤B中，利用Lagrangian乘子法将所述学习机模型的最优化问题转化为对偶形式的步骤包括：

B1.将所述学习机模型的最优化问题表示为以下Lagrangian函数式：

其中，Lagrangian乘子α≥0；

B2.L(W,ρ,α)分别对ρ,α求偏导并令偏导为0，得到：

B3.将步骤B2得到的等式代入步骤B1中的Lagrangian函数式得到最优化问题的以下对偶形式：

其约束条件为：

4.如权利要求3所述的基于数据分布特征的保序学习机，其特征在于，所述判别函数为：

其中，b_k＝W^T(m_i+1+m_i)/2。

5.如权利要求3所述的基于数据分布特征的保序学习机，其特征在于，若映射函数φ满足φ:x→φ(x)，所述学习机模型的最优化问题的非线性形式为：

其约束条件为：

其中，

所述非线性形式核化对偶形式为：

其约束条件为：