[发明专利]一种基于酶数值膜系统的支撑向量机模型

说明书

本发明将支撑向量机和酶数值膜系统相结合，充分利用酶数值膜系统的并行性，通过建立酶数值膜系统模型，对数据集中的数据用一种并行的方式完成最小序列优化，每一个细胞膜中的数据同时与condition进行比较，销毁那些不符合条件的细胞膜，直到剩下唯一个细胞膜为止，该细胞膜中包含的变量值即为要求取的结果。随后将转化成对偶问题的SVM中损失函数α算子求得出来，根据损失函数中权重W,偏置b与α相应的关系，求出W,b，即可获得相应的分类函数。本发明提供的技术方案基于酶数值膜系统的支撑向量机模型,可以利用酶数值膜系统的并行性特点，快速的进行上最小序列优化。将该模型应用于各种机器学习算法中，有利于提高各类机器学习算法的效率。

技术领域

本发明涉及一种支撑向量机模型，特别涉及一种基于酶数值膜系统的支撑向量机模型。

背景技术

在机器学习领域中，对于数据的各种计算要求不胜枚举，选取符合条件的数值，向量计算，求最值等环节。其中，对数据进行最小序列优化是一个很重要的部分，它的计算效率直接影响多数机器学习算法的计算效率了，尤其是经典支撑向量机(SVM)。SVM作为一个经典的机器学习分类算法，其理论成果已经达到一个相当的高度，因此被广泛应用于各种机器学习场景中，在医学，计算机，生物等领域均起着十分重要的作用。

传统的支撑向量机算法及模型基于串行框架，即所有数据依次与限定条件进行比较，然后去掉那些不符合条件的数据。在如今属于大数据时代，数据量动辄成百上千万，传统的算法模型思想较为简单，就会受限于数据集的大小，数据集越大，时间开销就越大。所以传统的支撑向量机算法都是基于串行框架下的，从根本上没有办法提高效率。

酶数值膜系统是受经济学与细胞传递信息的方式启发设计的神经型计算系统，是一种分布式、并行的、离散的计算模型。已经酶数值膜系统具有强大的计算能力，并且大多数模型都是图灵等价的。同时在解决计算困难问题方面也显示出了巨大的潜力。

传统的串行最小序列优化模型存在以下缺点：效率较低，随着数据量的增大用时较长，求最值，求符合条件数值算法效率较低，在向量计算中灵活的增添限制条件有所不足。

发明内容

为了解决现有的算法缺点，本发明提出了一种基于酶数值膜系统的支撑向量机模型，本发明基于酶数值膜系统分布式、并行性的特点，通过将不满足条件的细胞膜销毁，直到剩下唯一的细胞膜为止。

本发明所采用的技术方案如下：

一种基于酶数值膜系统的支撑向量机模型，包括以下部分：

A、对待分类数据集中所有的数据建立细胞膜；

B、数值处理中，求最值模块应根据所有细胞膜中的数据与基准数据相比较，销毁所有比基准数据大(小)的数据所在的细胞膜，直到仅剩一个细胞膜为止；求符合条件数值模块，根据所有细胞膜中的数据与所设定的条件相比较，销毁所有与设定条件不相符的数据所在的细胞膜，直到仅剩一个细胞膜为止；在限制性向量计算模块中，根据所有细胞膜中的数据与所设定的条件相比较，销毁所有与设定条件不相符的数据所在的细胞膜；

C、建立最小序列优化模型的酶数值膜系统。

D、建立支撑向量机模型的酶数值膜系统。

部分A中，所述的对数据进行细胞膜的建立是指：将每一个膜中的数据设置一个变量，变量的值为该数据的值，变量的标号为x1,x2,...,xn，每一个变量所在的细胞膜的标号为m1,m2,...,mn,假设第i个数据放置在第i个细胞膜中，即细胞膜的标号为mi,包含数据值得变量为xi。