[发明专利]用于基于内核的机器学习的结构化正交随机特征

权利要求书

1.一种为基于内核的机器学习系统生成输入的方法，所述基于内核的机器学习系统使用内核对数据执行分类操作，所述方法包括：

由基于内核的机器学习系统的处理电路生成对角矩阵集合，所述对角矩阵集合中的每一个具有零的非对角元素和具有根据指定的概率分布函数分布的值的对角元素；

由所述处理电路产生正交矩阵集合，所述正交矩阵集合中的每一个具有相互正交的行；

对于对角矩阵集合中的每一个，由所述处理电路形成矩阵对集合，所述矩阵对集合中的每一个包括(i)该对角矩阵，以及(ii)所述正交矩阵集合中的相应正交矩阵；以及

由所述处理电路生成所述矩阵对集合中的每一个的乘积以产生线性变换矩阵，所述线性变换矩阵是由基于内核的机器学习系统使用的内核的无偏估计器。

2.如权利要求1所述的方法，其中，生成所述矩阵对集合中的每一个的乘积包括：对于所述对角矩阵集合中的每一个，将所述相应正交矩阵右乘该对角矩阵。

3.如权利要求1或2所述的方法，其中，产生所述正交矩阵集合包括：生成具有基于所述数据的指定维度的大小的Walsh-Hadamard矩阵作为所述相应正交矩阵。

4.如权利要求3所述的方法，其中，生成所述Walsh-Hadamard矩阵包括：形成具有等于比所述数据的指定维度大的2的最小幂的维度的Walsh-Hadamard矩阵，以及

其中，该方法还包括：通过以下方式将所述线性变换矩阵乘以表示数据的向量：(i)用零附加所述向量以产生零填充向量，所述零填充向量具有等于比所述数据的指定维度大的2的最小幂的长度，(ii)对线性变换矩阵的每一行和零填充向量执行内积计算以产生中间特征向量，以及(iii)从中间特征向量的末端移除元素以产生具有等于所述数据的指定维度的长度的最终特征向量。

5.如权利要求1-4中的任一项所述的方法，其中，所述对角矩阵集合中的每一个的非对角元素中的每一个等于1和-1中的一个。

6.如权利要求5所述的方法，其中，所述对角矩阵集合中的每一个的非对角元素根据Rademacher分布而分布。

7.如权利要求1-6中的任一项所述的方法，其中，所述对角矩阵集合具有至少两个对角矩阵。

8.一种计算机程序产品，包括非暂时性存储介质，所述计算机程序产品包括代码，所述代码在由声音渲染计算机的处理电路执行时使所述处理电路执行一种方法，所述声音渲染计算机被配置为为基于内核的机器学习系统生成输入，所述基于内核的机器学习系统使用内核对数据执行分类操作，所述方法包括：

生成对角矩阵集合，所述对角矩阵集合中的每一个具有零的非对角元素和具有根据指定的概率分布函数分布的值的对角元素；

产生正交矩阵集合，所述正交矩阵集合中的每一个具有相互正交的行；

对于对角矩阵集合中的每一个，形成矩阵对集合，所述矩阵对集合中的每一个包括(i)该对角矩阵，以及(ii)所述正交矩阵集合中的相应正交矩阵；以及

生成所述矩阵对集合中的每一个的乘积以产生线性变换矩阵，所述线性变换矩阵是由基于内核的机器学习系统使用的内核的无偏估计器。

9.如权利要求8所述的计算机程序产品，其中，生成所述矩阵对集合中的每一个的乘积包括：对于所述对角矩阵集合中的每一个，将所述相应正交矩阵右乘该对角矩阵。

10.如权利要求8或9所述的计算机程序产品，其中，产生所述正交矩阵集合包括：生成具有基于所述数据的指定维度的大小的Walsh-Hadamard矩阵作为所述相应正交矩阵。