[发明专利]一种Boosting支持向量机学习方法

摘要

本发明公开了一种Boosting支持向量机学习方法，涉及人工智能技术领域，本发明包括以下步骤步骤1数据处理，对初始支持向量机分类器进行参数γ的选择；步骤2初始化权值，选取n个训练样本组成总数据集，初始化每个训练样本的权值；步骤3进入循环迭代，更新所有训练样本的权值；步骤4通过T次循环，得到最终分类器H(x)，本发明结合支持向量机与Adaboost算法的思想，提高模式识别中分类器设计的重采样技术的学习精度并且保证稳定的学习能力，优化了分类效果，使得分类精确率大大提升。

主权项

一种Boosting支持向量机学习方法，其特征在于，包括以下步骤：步骤1：数据处理，对初始支持向量机分类器进行参数γ的选择；步骤2：初始化权值，选取n个训练样本组成总数据集[(x1,y1),…,(xn,yn)]，其中xi∈X,yi∈Y＝{‑1,+1}，初始化每个训练样本的权值D1(i)＝1/n；步骤3：从步骤2中的n个训练样本中任意选取k个样本，组成首轮数据集并结合步骤1中的参数γ进行训练，得到训练数据集，进行循环迭代，循环迭代总次数为T，当前循环迭代次数为t；步骤4：根据训练数据集和SVM学习算法得出分类器ht:X→{‑1,+1}；步骤5：将分类器ht应用于总数据集，对总数据集进行预测，分别对分类器ht分类正确和错误的训练样本进行标记，并根据分类错误的训练样本确定误差εt，计算分类器ht的分类误差αt，计算公式为：步骤6：根据步骤5得出的分类误差αt更新训练数据集中所有训练样本的权值Dt+1(i)，计算公式为：Dt+1(i)＝Dt(i)exp(‑αtyiht(xi))/Zt式中，Zt为Dt+1分布的归一化函数；步骤7：更新t值，使t＝t+1，当t≤T时，返回步骤4，继续下一轮循环迭代；当t>T时，结束循环；步骤8：通过T次循环，便得到最终分类器H(x)，计算公式为：