[发明专利]一种基于半监督支持向量机的n-γ甄别方法

权利要求书

1.一种基于半监督支持向量机的n-γ甄别方法，其特征在于包括如下步骤：

a)利用模拟数字变换器对探测器输出脉冲信号进行模数变换，收集数字化的探测器脉冲信号，形成一定数量规模的未带标记的脉冲信号数据集U₁，所述数量规模设定为N，其中，0＜i≤N；利用训练数据集结合半监督的学习方法训练出一个支持向量机，得到一个最优分类超平面；

b)对新探测得到的脉冲进行数字化，并进对脉冲信号数据集U₁中每一个脉冲信号u₁(i)进行特征信息提取预处理：提取脉冲信号的全面积S、慢成分电荷面积上升时间T_R、下降时间T_F和脉冲幅度Amp，并将脉冲信号数据集U₁进行特征信息预处理得到的特征信息数据集记为U₂，特征信息数据集中每一条数据记录都包含了S、T_R、T_F和Amp五维特征信息即

c)将提取到的特征信息输入到支持向量机中，利用上述分类超平面结合上述提取特征进行对新探测到的脉冲样本进行分类预测；

所述特征信息数据集U₂由电荷比较法进行甄别分类，并对数据集U₂中电荷比较法能够进行准确甄别的数据记录u₂(i)添加相应的类别标签L(i)，收集数据集U₂中所有带类别标签的数据记录形成带标签数据集U₃，数据集中每一条数据记录u₃(i)＝{u₂(i),L(i)}；剩余无法甄别数据记录形成未带标签数据集U₄；

向量机半监督训练详细步骤为：利用带标签数据集U₃训练出一个能够对数据集中数据进行准确分类的支持向量机SVM1，在数据集U₃中，寻找到一个划分超平面，将两种类别的样本分开，划分超平面由如下公式(1)得到：

ω^Tu₂+b＝0                         (1)

其中，ω为寻找的划分超平面的法向量，b为超平面偏移项，u₂代表输入特征空间；

支持向量机训练过程由如下公式(2)得到：

其中，M为数据集U₃的数据规模，ξ_i为松弛变量；C＞0，C为一个常数；所述未带标签数据集U₄经过上述步骤中得到的支持向量机SVM1进行分类，并将数据集U₄中每一条样本u₄(i)的SVM1分类结果作为伪标记PL(i)赋予该样本，从而形成带伪标记的样本数据集U₅，该数据集中每一条数据记录u₅(i)＝{u₄(i),PL(i)}；结合带伪标签的数据集U₅和带标签的数据集U₃重新训练一个支持向量机SVM2，在训练过程中对数据集U₅中要对两个伪标记指派为异类且很可能发生错误的样本进行标记交换。

2.根据权利要求1所述一种基于半监督支持向量机的n-γ甄别方法，其特征在于：所述向量机训练过程详细步骤如下：在利用伪标记样本数据集U₅重新训练支持向量机的过程中，对公式(2)的训练过程中添加约束项得到新的公式(3)：

s.t.L(i)(ω^Tu₂(i)+b)≥1-ξ_i,i＝1,2,…,M

PL(i)(ω^Tu₂(i)+b)≥1-ξ_i,i＝M+1,M+2,…,N

ξ_i≥0,i＝1,2,…,N      (3)

其中：C_P代表伪标记样本在训练过程中的影响权重；

设置0＜C_P＜C，将SVM1代入公式(3)并对数据集U₅进行预测，找到两个标记指派为异类并且可能发生错误的伪标记样本，交互其标记；重新基于公式(3)求解超平面，再找出两个标记指派为异类并且可能发生错误的伪标记样本，直至标记指派完成；逐渐增大C_P，开始新一轮的训练，直至C_P＝C；完成训练后得到的SVM即目标SVM。