[发明专利]基于样本分布密度改进KKT条件的SVM增量学习方法

权利要求书

1.一种基于样本分布密度改进KKT条件的SVM增量学习方法，其特征在于，步骤如下：

1)根据原始样本集A训练SVM分类器Model_old，获得分类器Model_old的支持向量集SV₀与标准KKT条件Ⅰ；

2)计算原始样本集A中正、负类样本的样本分布密度，并根据样本分布密度计算正、负样本下的偏置参数，在标准KKT条件Ⅰ的基础上增加偏置参数，构建SVM分类器Model_old下针对正、负类样本自适应优化的改进KKT条件Ⅰ；

3)判断新增样本集B中样本是否全部满足SVM分类器Model_old的标准KKT条件Ⅰ，若全部满足，则输出原始SVM分类器Model_old即为所需模型，结束；否则将新增样本集B中违背标准KKT条件Ⅰ的样本放入集合B1，满足标准KKT条件Ⅰ的样本放入集合B2；

4)判断新增样本集B中样本是否满足SVM分类器Model_old的改进KKT条件Ⅰ，将满足改进KKT条件Ⅰ的样本放入候选支持向量集SV₁，定义为可能的支持向量样本；

5)根据候选支持向量集SV₁训练分类器Model₁，获得分类器Model₁的标准KKT条件Ⅱ，利用支持向量集SV₁的样本分布密度计算正、负样本下的偏置参数，获得增加偏置参数后的改进KKT条件Ⅱ；

6)判断集合B2是否满足改进KKT条件Ⅱ，若集合B2为空或所有样本均满足改进KKT条件Ⅱ，则输出更新后的模型即为分类器Model₁，结束；否则将不满足改进KKT条件Ⅱ的样本放入补充支持向量集SV_add；

7)采用SV₀∪SV₁∪SV_add集合训练分类器Model₂并输出更新后的分类器为Model₂，SV₀为原始分类器的支持向量集，SV_add为补充支持向量集。

2.根据权利要求1所述的基于样本分布密度改进KKT条件的SVM增量学习方法，其特征在于，所述步骤1)中根据原始样本集训练SVM分类器Model_old过程中采用LIBSVM工具箱，所述标准KKT条件Ⅰ表示如下式：

SVM分类器的最优超平面最优解求解过程中，定义条件0≤α_ι＜X，标准KKT条件简化表示为y_if(x_i)≤1；其中，C为惩罚系数，α＝(α₁,α₂,...,α_n)^T为拉格朗日乘子，T表示矩阵的转置，y_i∈[1,-1]为样本标签，f(x_i)为样本x_i与最优超平面之间的距离。