[发明专利]一种基于经济型CPU平台的系统的数据处理方法

说明书

技术领域

本发明涉及一种基于多元多项式拟合的支持向量机模型近似方法及其应用

背景技术

支持向量机(Support Vector Machine,SVM)是基于统计学习理论(Statistical Learning Theory,SLT)的一种新的机器学习算法。通常应用在模式识别、分类和回归分析等方面。核函数是支持向量机的核心组成部分，通过引入核函数，将原空间中线性不可分的数据样本映射到高维特征空间中，实现数据的线性分类，克服了传统机器学习方法存在的维数灾难和局部最小化问题。

然而支持向量机的训练过程实际上是求解一个二次规划问题，其时间复杂度为O(n³)，由于要存储核矩阵，其空间复杂度为O(n²)。所以当训练集规模很大时，即使一般的通用计算机也无法正常处理，因此需要对传统的支持向量机算法进行改进。于是国内外研究人员提出了一些支持向量机的简化算法。其中大部分基于分解迭代的思想，即将原始的二次规划问题分解成若干规模较小的二次规划问题，包括Vapnik等人提出的分块(Chunking)算法及Platt提出的串行最小优化(Sequential Minimal Optimation，SMO)算法。还有一些思想是通过选取部分训练集的方法来降低系统的资源需求，如由Lee和Mangasarian提出的精简支持向量机(Reduced SVM，RSVM)等。

机器学习包含两个过程：训练和测试。上述的支持向量机简化方法主要针对的是降低训练过程的资源消耗，很少考虑测试过程的资源需求。在支持向量机的测试过程中，需先存储所有的支持向量及其对应的拉格朗日系数，而计算一个新输入样本数据的标签时，需计算输入样本与所有支持向量和拉格朗日系数的乘积，因此测试过程对系统的存储空间、计算资源需求也很大。

近年来，无线传感器和基于无线传感器的穿戴式医疗监护系统由于其具有的便利性得到了极大的发展。在无线传感器中，无线通信能耗远高于数据采集和处理的能耗，因此无线传感器节点使用支持向量机对数据进行处理，将处理后的结果发给用户可以显著地降低系统的通信能耗。受制造成本、体积等的限制，无线传感器节点的资源有限，其计算能力和存储能力远低于通用的计算机， 使得节点的资源无法满足支持向量机分类过程所需的硬件资源要求，因此不能在可穿戴装置等基于经济型CPU平台的系统上使用支持向量机模型，限制了医疗监护系统性能与技术发展。

因此，有必要设计能应用于基于经济型CPU平台的系统的支持向量机模型。

发明内容

本发明所解决的技术问题是，针对现有技术的不足，提出一种基于多元多项式拟合的支持向量机模型近似方法及其应用，通过在高性能平台上训练得到传统支持向量机模型，并采用本方法得到的近似支持向量机模型进行在线预测，可以降低支持向量机对系统的资源需求，将近似模型应用到无线传感器网络等基于经济型CPU平台的系统上进行在线分类，扩大了支持向量机的应用范围。

为实现上述目的，本发明的解决方案如下：

一种基于多元多项式拟合的支持向量机模型近似方法，包括以下步骤：

步骤一：给定训练数据集T＝{(x_i,y_i)|i＝1,2,…,l},其中，x_i是n维空间上的样本数据，y_i是与x_i对应的类别标签。训练数据集T中共有l个样本数据，当支持向量机应用于分类问题时，这些样本数据分属于两个类别，即有y_i∈{+1，-1}；选择最佳的核函数类型和参数，利用训练集中数据对支持向量机进行训练，得到传统的支持向量机模型其中，α_i^*和b^*分别是计算得到的拉格朗日系数和偏置，x_i为支持向量，y_i为与x_i对应的类别标签，x₀为n维未知输入数据，x₀＝[x₀₁,x₀₂,…,x_0n]，其中，x_0k为x₀的第k维分量，k＝1,…,n；y是模型输出的与x₀对应的类别标签；。