[发明专利]一种广义弹性网络非平行支持向量机分类算法

说明书

针对模式识别中的两分类问题，本发明公开了一种广义弹性网络非平行支持向量机分类算法。本发明算法基于Lp‑模(0p1)度量构造非平行超平面；同时，引入广义弹性网络正则项以避免奇异性的同时提高算法稳定性。通过考虑任意范数下的距离度量与广义弹性网络正则项，模型对不同数据有自适应性，从而实现有效分类。本发明算法可以根据用户选择达到理想的鲁棒性；本发明求解过程中避免了奇异性问题；本发明实现了增强算法的泛化性能，控制了模型复杂度，提升了算法准确率；本发明的算法采用一系列严格凸优化对所提模型进行求解，从而得到有效算法。

技术领域

本发明属于模式识别领域，具体涉及一种广义弹性网络非平行支持向量机分类算法。

背景技术

模式识别是指对信息进行处理分析、辨认和解释的过程，是信息科学和人工智能的重要组成部分，而分类是模式识别的核心任务之一。两分类问题是分类问题的基础，一般的多分类问题可转化为一系列两分类问题求解。作为有效的分类算法之一，支持向量机采用结构风险最小化原则并以统计学习理论为基础，较好地解决了高维数小样本问题，实现了非线性的自然推广，并具有良好的样本稀疏性。因此，支持向量机成功地应用于模式识别的众多领域，如手写体数字识别、人脸检测、文本分类、语音识别、信号处理等领域。

以下是本领域内对该问题进行研究的一些文献：[1]Cortes C,VapnikV.Support-vector networks.Machine learning,1995,20(3):273-297；[2]MangasarianO L,Wild E W.Multisurface proximal support vector machine classification viageneralized eigenvalues.IEEE Transactions on Pattern Analysis and MachineIntelligence,2006,28(1):69-74；[3]Li C N,Shao Y H,Deng N Y.Robust L1-norm non-parallel proximal support vector machine.Optimization,2016,65(1):169-183；[4]Yan H,Ye Q,Zhang T,et al.L1-norm GEPSVM classifier based on an effectiveiterative algorithm for classification.Neural Processing Letters,2017:1-26；[5]Sun X Q,Chen Y J,Shao Y H,Li C N,Wang C H.Robust nonparallel proximalsupport vector machine with Lp-norm regularization.IEEE Access,2018,6:20334-20347.

其中，文献[1]是基于平行超平面的L2-模经典支持向量机，文献[2]是基于非平行超平面的L2-模支持向量机，文献[3]是基于非平行超平面的L1-模支持向量机，文献[4]是基于非平行超平面且带L2-模正则项的L1-模支持向量机，文献[5]是基于非平行超平面且带Lp-模正则项的L1-模支持向量机，其中p0。

然而，现有支持向量机算法存在以下几方面的问题：

(i)基于平行超平面的支持向量机在异或数据上失效，大大降低了其在一些实际问题上的应用推广能力；(ii)基于L2-模的支持向量机对噪声和离群点敏感，不具有鲁棒性；(iii)已有的鲁棒非平行超平面支持向量机采用固定的度量，自适应性不够强。

因此，提出可适应不同数据的非平行超平面鲁棒支持向量机模型及算法具有重要意义。

发明内容

为了解决上述现有技术中存在的问题，本发明提出一种对噪声和离群点不敏感，可以适应不同数据的广义弹性网络非平行支持向量机分类算法(Generalized elasticnet Lp-norm nonparallel support vector machine，简称GLpNPSVM)。