[发明专利]一种基于共享参数空间的核集成支持向量机图像分类方法

说明书

本发明公开了一种基于共享参数空间的核集成支持向量机图像分类方法，获取图像数据形成样本集,对样本集进行预处理，并且使用核方法获取样本集的不同的单个基础内核；基于单个基础内核构造单核模型；使用约束将多个单核模型的损失集成到统一的损失中，该统一的损失即为集成损失，进而由多个单核模型构建出共享参数空间内的核集成支持向量机模型；并在多个核空间中进一步学习每个核所共享的公共参数和单个特定参数；利用所述的共享参数空间中的核集成支持向量机模型训练得到一个分类器，对待分类图像进行分类，得到分类结果。本发明提出的图像分类方法能够提高图像分类的准确性。

技术领域

本发明涉及人工智能以及图像处理技术领域，具体涉及一种基于共享参数空间的核集成支持向量机的图像分类方法。

背景技术

支持向量机(Support Vector Machine,SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器，其基本思想是在样本输入空间或特征空间中构造一个最优超平面，使超平面与两类样本集之间的距离最大化，从而获得最佳的泛化能力。SVM使用铰链损失函数计算经验风险并在求解模型中加入了正则化项以优化结构风险，是一种具有稀疏性和稳健性的分类器。对于非线性分类问题，SVM试图通过非线性变换(核函数)将其转化为另一个空间中的线性问题，并在该变换空间中求解最优的线性分类面。这种非线性变换可以通过定义合适的内积函数，即核函数来实现。

核函数可以将特征从低维空间映射到高维空间，但是目前经常使用的SVM都是单核的，即它是基于单个特征空间的。在实际应用中往往需要根据经验来选择不同的核函数(如：高斯核函数、多项式核函数等)、指定不同的参数，这样不仅不方便而且实际应用中特征往往不是单一的，而是异构的。这些异构特征对应的最佳核函数未必相同，如果他们共用同一个核函数，可能无法得到最优的映射，也就是说无法得到较为准确的分类结果。

集成学习是指利用多个单核分类模型进行学习，进而通过对这些单核分类模型的集成融合，可以得到比原来单核分类模型更好分类效果的机器学习方法。对于图像分类而言，通过对多个单核分类模型集成能够提高图像分类的准确率。但是现有的核集成学习方法基本上是在整个输入空间上采用统一的相似性度量。当一个类别表现出与其他类别高度的差异性和相关性时，它们很难应对数据分布的复杂性。

发明内容

为了解决现有技术中存在的不足，本申请提出了一种基于共享参数空间的核集成支持向量机的图像分类方法，通过设计统一的集成损失将多个单核分类模型进行集成，并在多个核空间中通过学习每个核所共享的公共参数和单个特定参数，来提高图像分类的准确率。

本发明所采用的技术方案如下：

一种基于共享参数空间的核集成支持向量机的图像分类方法，包括如下步骤：

步骤1、获取图像数据形成样本集，对样本集进行预处理，并且使用核方法获取样本集的不同的单个基础内核；

步骤2、基于单个基础内核构造单核模型；使用约束将多个单核模型的损失集成到统一的损失中，该统一的损失即为集成损失，进而由多个单核模型构建出共享参数空间内的核集成支持向量机模型；

步骤3、将训练集输入到核集成支持向量机模型，并在多个核空间中进一步学习每个核所共享的公共参数α₀和单个特定参数α_i；所设计的核集成支持向量机模型通过最小化集成损失来共同优化每一个单核模型；由此获得训练好的基于共享参数空间的核集成支持向量机模型；

步骤4、设置核集成支持向量机模型迭代停止的判定条件，当满足判定条件，跳出循环；否则继续执行循环；当循环退出，代表已经找出最优解w，从而获得训练好的基于共享参数空间的核集成支持向量机模型；根据最优解w得到

其中，f(x_t)是预测的标签结果；