[发明专利]一种基于信度决策树的自训练学习方法

权利要求书

1.一种基于信度决策树的自训练学习方法，其特征在于，该方法包含以下步骤：

步骤一：输入标记和未标记的数据；

步骤二：对数据进行预处理，使用证据理论框架来对未标记数据进行表述；

步骤三：使用标记样本数据训练信度决策树模型，对未标记样本进行标记预测；

步骤四：计算未标记样本预测置信度，将置信度较高的未标记样本与其预测标签从未标记样本集中删除，并加入标记样本训练集中；

步骤五：若达到训练停止条件则停止训练，否则返回步骤三，所述训练停止条件包括如下两个条件，满足其中一个条件即停止训练；

条件一：未标记数据集之中数据对象数量为零；

条件二：决策树达到预设的最大深度。

2.根据权利要求1所述的一种基于信度决策树的自训练学习方法，其特征在于，所述步骤二中对于数据进行预处理，分为以下步骤：

步骤2.1：假定数据中的若干个中心点，计算出数据集中每个子集与构成子集类的数据重心；

步骤2.2：计算数据集中数据想对于数据中心的距离；

步骤2.3：通过fcm算法迭代计算，最小化以信度分区M和簇中心矩阵V为参数的目标函数来对结果进行优化；

步骤2.4：得到优化过的证据数据，使用其代替原始数据。

3.根据权利要求2所述一种基于信度决策树的自训练学习方法法，其特征在于，所述步骤三中使用标记样本数据训练信度决策树模型，主要包括以下步骤：

步骤3.1：使用步骤2.4的证据数据作为训练集对决策树模型进行训练；

步骤3.2：对于节点之中的数据，对数据的证据进行折扣；

步骤3.3：在决策树每个节点的分裂属性筛选过程中，采用证据理论框架对数据进行判别，得到节点的最佳分裂属性；

步骤3.4：判断决策树模型训练迭代是否完成，若是则输出模型，否则继续进行步骤3.2。

4.根据权利要求3所述的一种基于信度决策树的自训练学习方法，其特征在于，所述步骤3.3主要包括以下步骤：

步骤A：对数据集中的证据数据，计算其对于每个属性的pignistic概率；

步骤B：对于决策树中新生成的节点计算其包含数据子集中数据的对应权重，从而计算数据子集的pignistic概率和与pignistic概率熵；

步骤C：计算数据分别使用数据每个属性对节点进行分裂后对应的增益率，选择增益率最高的属性作为当前节点的最佳分裂属性。

5.根据权利要求1所述的一种基于信度决策树的自训练学习方法，其特征在于，所述步骤四主要包括以下步骤：

步骤4.1：使用未标记数据样本与标记数据样本标签之间证据的Jousselme距离平均值来对预测标记样本置信度进行计算；

步骤4.2：设置阈值对未标记样本进行筛选，将置信度大于阈值的预测的未标记样本加入标记样本的训练集中，并从未标记样本集中删除。