[发明专利]基于L2;p范数距离度量的GEPSVM分类方法

权利要求书

1.一种基于L_2,p范数距离度量的GEPSVM分类方法，其特征在于，具体步骤为：

步骤1、对待分类数据进行归一化操作；

步骤2、使用交叉验证法将归一化后的数据分为两部分：测试数据集和训练数据集；

步骤3、构建改进的GEPSVM模型，将训练数据集输入改进的GEPSVM模型进行模型训练，在训练过程中通过交叉验证的方法获得最优参数c；

步骤4、更新改进的GEPSVM模型的增广向量和t为迭代次数，确定最优增广向量z₁和z₂，生成最优改进的GEPSVM分类模型；

步骤5、依次从k个不相交的子样本中选取一个子样本作为测试数据集，其它k-1个作为训练数据集，重复步骤4，直至所有子样本都作为测试数据集和训练数据集被训练为止，总共得到k组最高的分类结果，对k组分类结果求平均值，该平均值为最终的分类结果。

2.根据权利要求1所述的基于L_2,p范数距离度量的GEPSVM分类方法，其特征在于，步骤1中对样本数据进行归一化处理的具体公式为：

d_i＝(x_i-min(X))/(max(X)-min(X))

式中，X＝(x₁，x₂，...，x_n)∈Rⁿ，表示样本数据集，x_i，i＝1,2，...,n，表示样本数据集中的第i个样本数据，min(X)表示样本数据集中最小的样本数据，max(X)表示样本数据集中最大的样本数据，d_i表示归一化后的样本数据。

3.根据权利要求1所述的基于L_2，p范数距离度量的GEPSVM分类方法，其特征在于，步骤3中构建的改进的GEPSVM模型模型具体为：

其中，p∈(0,2]，||·||₂表示L₂范数距离，e₁和e₂是相应维度的单位列向量，矩阵A和B分别表示正、负类样本，w₁和w₂分别表示正、负类样本的权向量，b₁和b₂分别表示正、负类样本的偏差。

4.根据权利要求1所述的基于L_2，p范数距离度量的GEPSVM分类方法，其特征在于，步骤4中更新改进的GEPSVM模型的增广向量和确定最优增广向量z₁和z₂，生成最优预测模型，具体步骤为：

步骤4.1、设置迭代次数t＝0及p＝0.1，初始化增广向量和并分别满足和根据和分别计算对角矩阵和其中，对角矩阵和的第i和j个对角元素分别为和

步骤4.2、根据对角矩阵和最优参数c分别计算增广向量和具体计算公式为：

其中，H＝[A e₁]，G＝[B e₂]，I表示相应维度的单位矩阵；

步骤4.3、根据增广向量和分别更新对角矩阵和具体为：

同时根据和更新矩阵和

步骤4.4、若p≤2，更新迭代次数t＝t+1及p＝p+0.1，0.1为迭代步长，返回步骤4.2，否则停止循环，生成最优的预测模型。

5.根据权利要求4所述的基于L_2,p范数距离度量的GEPSVM分类方法，其特征在于，步骤4.1中增广向量和的值分别为：

其中，c是交叉验证选择的系数。

6.根据权利要求1所述的基于L_2,p范数距离度量的GEPSVM分类方法，其特征在于，步骤5中k为10。