[发明专利]一种基于数据密度竞争学习的半监督模式分类方法

权利要求书

1.一种基于数据密度竞争学习的半监督模式分类方法，其特征在于包括以下步骤：

1)检测备选种子点并筛选出获胜种子点；

2)以获胜种子点作为初始质心进行K-means多原型聚类，并且结合半监督学习方法，由K近邻算法将多原型聚类结果进行分类；

3)检测备选边界点并筛选出获胜边界点；

4)基于获胜边界点画出决策分类边界线。

2.如权利要求1所述一种基于数据密度竞争学习的半监督模式分类方法，其特征在于在步骤1)中，所述检测备选种子点并筛选出获胜种子点的具体步骤为：

(1)获得一个L维的具有N个元素的数据集

(2)设置密度阈值参数δ，检测备选种子点；

(3)从备选种子集中筛选出种子点，得到获胜种子集

3.如权利要求2所述一种基于数据密度竞争学习的半监督模式分类方法，其特征在于在步骤1)第(2)部分中，所述设置密度阈值参数δ，检测备选种子点的具体步骤为：

①给定半径r，在L₂范数下定义示性函数I(x_m,x_n,r)表示两个数据点的靠近程度：

其中，

②由上述示性函数I(x_m,x_n,r)计算x_m的密度，即：

③设置密度阈值参数δ，备选种子点x_m由下述示性函数给出：

即得到备选种子集及x_m在半径r范围内的所有备选种子，即

4.如权利要求2所述一种基于数据密度竞争学习的半监督模式分类方法，其特征在于在步骤1)第(3)部分中，所述从备选种子集中筛选出种子点，得到获胜种子集的具体步骤为：

①初始化种子集，设为空集，即

②在竞争学习的第j次迭代中，挑选备选种子集中密度最大的点作为获胜种子点

③第j+1次迭代中种子集更新为：

④同时，第j+1次迭代中备选种子集更新为:其中，为的补集；

⑤重复步骤②直至备选集为空集,即得到最终获胜种子集

5.如权利要求1所述一种基于数据密度竞争学习的半监督模式分类方法，其特征在于在步骤2)中，所述以获胜种子点作为初始质心进行K-means多原型聚类，并且结合半监督学习方法，由K近邻算法将多原型聚类结果进行分类的具体步骤为：

(1)以获胜种子点作为初始质心进行K-means多原型聚类；

(2)通过半监督学习方法，选取已知类别标签的数据样本作为训练集；

(3)由k近邻算法将多原型聚类结果进行分类，得到最终的分类结果。

6.如权利要求5所述一种基于数据密度竞争学习的半监督模式分类方法，其特征在于在步骤2)第(1)部分中，所述以获胜种子点作为初始质心进行K-means多原型聚类的具体步骤为：

①种子集的元素个数为K，将这K个种子s_n作为初始质心，

②将每个点x_m指派到最近的质心，形成K个原型，在第j次迭代中，有以下示性函数：

若则x_m指派给距离其最近的质心每个点都指派到距离其最近的质心，得到了K个原型；

③第j+1次迭代中，重新计算每个原型的质心，第n个原型的质心由所有被指派给质心的数据点x_m的均值给出：

④重复步骤②直至质心不再发生变化，得到最终的K个原型的质心：

其中为最终K-means多原型聚类结果。