[发明专利]基于L2;p范数距离度量的GEPSVM分类方法

说明书

本发明公开了一种基于L_2,p范数距离度量的GEPSVM分类方法，包括：对待分类数据进行归一化操作；将归一化后的样本数据分割成测试数据集和训练数据集；构建改进的GEPSVM模型，将训练数据集输入该模型进行训练，同时获得最优参数；更新改进的GEPSVM模型的参数，生成最优的预测模型；把测试数据集输入至生成的预测模型，从而获得一组预测结果。通过本发明可有效地缓和数据中野值的影响，增强模型的鲁棒性，并提高其分类结果及泛化能力。

技术领域

本发明涉及模式识别—样本数据分类领域，具体而言涉及一种基于L_2,p范数距离度量的GEPSVM分类方法。

背景技术

随着社会和科学技术的不断发展，越来越多的研究和应用领域都用到支持向量机(Support Vector Machine，SVM)等数据分类技术，如生物信息学，人脸识别，指纹识别，手写体识别等，并取得了很好的应用效果。如何高效的实现数据分类？一直是一个值得我们探讨的问题。因此，近几十年来，该领域的研究者已提出多种类型的提高数据分类结果的算法，其中包括：基于L₂范数距离，L₁范数距离，L_2,p范数距离的GEPSVM，TWSVM(Twin SupportVector Machine,TWSVM)等。

基于L₂范数距离度量的GEPSVM，TWSVM分类方法是近年来常用的数据分类方法。大量的实验结果表明，基于L₂范数距离度量的算法具有速度快、准确率较高、泛化能力较强等优势。如：(1)Kumar M A，Gopal M.Least squares twin support vector machines forpattern classification[J].Expert Systems with Applications,2009，36(4):7535-7543；(2)Shao Y H,Zhang C H,Wang X B,et al.Improvements on twin support vectormachines[J].IEEE Transactions on Neural Networks,2011,22(6):962-968；(3)Qi Z,Tian Y,Yong S.Structural twin support vector machine for classification[J].Knowledge-Based Systems,2013,43(2):74-81；(4)Shao Y H,Deng N Y,Chen W J,etal.Improved generalized eigenvalue proximal support vector machine[J].IEEESignal Processing Letters,2013,20(3):213-216；(5)Tomar,D.and S.Agarwal,Multiclass least squares twin support vector machine for patternclassification.International Journal of Database Theory and Application,2015.8(6):285-302；(6)业巧林,闫贺.基于最小二乘的孪生有界支持向量机分类方法[J].华中科技大学学报：自然科学版,2018等等。