[发明专利]支持向量机的主动学习方法

摘要

本发明提供一种支持向量机的主动学习方法。利用最大最小距离法从初始训练集中选择尽可能远的样本作为K‑means算法的初始聚类中心，能够避免K‑means算法在初值选取时出现聚类中心过于临近的问题，同时在迭代过程中设定一个距离阈值来去除掉一部分距离当前最优分类超平面远的样本点，并对于剩余的样本点应用K‑means算法进行聚类以确定能够满足指标的最优分类超平面，能够提高划分初始样本集的效率。

主权项

1.一种支持向量机的主动学习方法，其特征在于，所述方法包括：1)利用最大最小距离法对初始训练样本集进行聚类得到两个初始聚类中心；2)以所述初始聚类中心作为K‑means算法的初始迭代值，对所述初始训练样本集进行聚类得到两个更新聚类中心；3)以所述更新聚类中心作为主动学习的初始样本集，并结合SMO算法进行运算得到最优分类超平面；4)应用步骤3)中确定的最优分类超平面对所述初始训练样本集进行测试，以确定所述最优分类超平面是否能够满足指标；5)如果所述最优分类超平面不能够满足指标，分别计算所述初始训练样本集中的正样本点和负样本点到所述初始最优分类超平面的距离；6)将所述正样本点和负样本点到所述最优分类超平面的距离与预设阈值进行对比，并从所述初始训练样本集中去除距离大于预设阈值的样本点；7)分别对所述初始训练样本集中的剩余正样本点的集合和剩余负样本点的集合应用K‑means算法得到两个更新聚类中心，将本步骤得到的两个更新聚类中心加入到步骤3)中的初始样本集中以更新最优分类超平面，直至得到能够满足指标的最优分类超平面。