[发明专利]一种使用Boosting训练集成SVM的方法、装置、终端及存储介质

权利要求书

1.一种使用Boosting训练集成SVM的方法，其特征在于,该方法使用Boosting，对训练数据集包含的多个训练子集进行依次取样，利用标准形式的SVM进行多次迭代，以对分类错误的样本加大权重，同时完成标准SVM中参数W和B的更新，在权重达到设定阈值，标准SVM基于训练数据集包含的多个训练子集进行多次迭代后，得到具有更新参数W和B的集成SVM。

2.根据权利要求1所述的一种使用Boosting训练集成SVM的方法，其特征在于，该方法的实现流程包括：

步骤S10、获取训练数据集D，将训练数据集D随机均分为多个训练子集，每个训练子集的大小为M；

步骤S20、用均匀分布初始化一个长度为N的概率向量P，同时，初始化迭代次数iter，初始化标准形式的SVM所包含的参数W和B，使迭代次数iter、参数W和B三者均等于0；

步骤S30、按照逐次加1的方式更新迭代次数iter；

步骤S40、从训练数据集D中取样大小为M的训练子集，并获取所取样训练子集在训练数据集D中的索引S；

步骤S50、针对所取样的训练子集，利用标准形式的SVM计算本次迭代过程的参数W_i和B_i；

步骤S60、基于训练数据集D、训练子集的大小M、训练子集在训练数据集D中的索引S、概率向量P，以及本次迭代得到的参数W_i和B_i，计算本次迭代过程的权重α_i；

步骤S70、以W＝W_i+α_iW_i，B＝B_i+α_iB_i的方式更新标准SVM中的参数W和B；

步骤S80、使用参数W和B对所取样训练子集进行分类，根据分类结果更新概率向量P；

步骤S90、判断步骤S60计算得到的权重α_i是否小于设定数值0.5，若是，则返回步骤S30继续迭代，若否，则输出W和B，该W和B为集成SVM的参数。

3.根据权利要求2所述的一种使用Boosting训练集成SVM的方法，其特征在于，步骤S10中获取的训练数据集D包含N个d维向量x_j，还包含与d维向量x_j相对应的标签y_j；

N个d维向量x_j随机均分到多个训练子集中，P[j]表示d维向量x_j从训练数据集D中被取样的概率，其中，j表示取值范围内的任意一个自然数。

4.根据权利要求3所述的一种使用Boosting训练集成SVM的方法，其特征在于，步骤S40中，从训练数据集D中取样大小为M的训练子集后，根据d维向量x_j的对应标签y_j获取所取样训练子集在训练数据集D中的索引S。

5.根据权利要求4所述的一种使用Boosting训练集成SVM的方法，其特征在于，步骤S40获取所取样训练子集在训练数据集D中的索引S，其具体操作包括：

步骤S41、获取训练数据集D、概率向量P，从训练数据集D中取样一个训练子集，该训练子集的大小为M；

步骤S42、将索引S初始化为空向量，同时，初始化索引S的长度m为0；

步骤S43、判断m是否小于M，若否，则直接返回索引S，若是，则执行步骤S44；

步骤S44、在[0,1]中根据均匀分布随机取一个实数R；

步骤S45、使用P_i找到取样的索引；

步骤S46、判断取样的索引是否已在S，若是，则返回执行步骤S43，若否，则继续执行步骤S47；

步骤S47、添加取样的索引到S，增加本次迭代过程中错误归类数据点出现在S中的概率，按照加1的方式更新S的长度m，随后，返回执行步骤S43。