[发明专利]一种在线高维不平衡流数据的学习方法

权利要求书

1.一种在线高维不平衡流数据的学习方法，其特征在于，包括以下步骤：

步骤S1：输入参数并初始化在线学习模型；

步骤S2：将当前样本输入在线学习模型；

步骤S3：利用在线不平衡流数据分类算法更新权值；

步骤S4：对权值中特征权重进行截断并重新更新权值；

其中，所述步骤S4进一步包括：

设定截断步长K，每K步执行特征权重截断算法对权值进行更新；

其中，特征权重截断算法为：

其中，w_j为权值中的向量特征；a为偏置；θ为阈值。

2.根据权利要求1所述的在线高维不平衡流数据的学习方法，其特征在于，所述步骤S3中，所述步骤S3进一步包括：

步骤S31：通过学习模型获取预测标签值，其中，该模型符合高斯分布N(u,∑)；

步骤S32：获取当前样本的标签并与步骤S2中获取的预测标签值相比较，如果两者不一致，则执行步骤S33，否则，继续输入下一个样本；

步骤S33：根据当前样本的标签获取代价敏感参数并利用代价敏感参数对权值进行更新；

其中，所述步骤S33进一步包括以下步骤：

步骤S331：如果样本的标签为正，则设定代价敏感参数为C₊；如果样本的标签为负，则设定代价敏感参数为C_-；

步骤S332：根据代价敏感参数更新高斯分布的参数，也即，根据公式(1)求解KL距离最小的均值参量μ_t+1和协方差参量Σ_t+1作为更新值：

其中，C_cs为代价敏感参数，其值为C₊或C_-；

D_KL(·)为KL距离的描述，N(μ,Σ)为模型的高斯分布，N(μ_t,Σ_t)为当前样本的高斯分布；

为损失函数，用于度量误分类的概率，(x_t,y_t)为当前样本；

步骤S333：根据更新后的高斯分布更新当前权值w_t+1。

3.根据权利要求2所述的在线高维不平衡流数据的学习方法，其特征在于，所述步骤S3中，利用置信度加权算法计算均值参量μ_t+1和协方差参量Σ_t+1。

4.根据权利要求3所述的在线高维不平衡流数据的学习方法，其特征在于，所述代价敏感参数C_cs根据流数据不平衡率设置。