[发明专利]基于联合学习和轮廓点的品牌忠实度测试方法

摘要

本发明公开了基于联合学习和轮廓点的品牌忠实度检测方法，其步骤如下(1)收集调查数据形成初始样本集；(2)计算初始样本集的轮廓点集；(3)利用支持向量机对轮廓点集训练得到初始分类器；(4)新加入一批样本，判断是否更新轮廓点集；(5)使用基于联合学习和轮廓点的支持向量机对更新后的轮廓点集训练，重建分类器；(6)更新分类器的最优权向量；(7)对待检测数据进行检测；(8)当轮廓点集的容量超过阈值时，对其进行调整；(9)重复执行步骤四至八，直至没有新样本加入。本发明使用轮廓点集有效精简训练样本数，同时保持样本的几何轮廓，采用渐进学习方式在支持向量机中考虑不同时期参数的联合学习，提高检测的精度。

主权项

基于联合学习和轮廓点的品牌忠实度检测方法，其特征在于，包括如下步骤：步骤一：收集品牌忠实度调查数据，建立初始样本集；步骤二：在初始样本集的不同类别样本上分别计算其分布在核空间最小包含球球面上的轮廓点集；步骤三：使用支持向量机对步骤二得到的轮廓点集进行训练，得到初始分类器T0以及最优权向量wlast；步骤四：新加入一批样本，使用分类器T0计算其距离分类面的距离，若距离值大于设定的阈值，则不将这些样本加入轮廓点集；若距离值小于设定的阈值，则将这些样本加入轮廓点集；步骤五：如果轮廓点集有更新，使用基于联合学习和轮廓点的支持向量机将其作为训练集重新构建分类器T0；步骤六：用步骤五得到的分类器T0的最优权向量对wlast进行更新；步骤七：使用分类器T0对待检测品牌忠实度调查数据进行检测；步骤八：当轮廓点集的容量大于阈值时，对样本的调查日期升序排列，选择日期排名后p％的样本；步骤九：重复执行步骤四至八，直至没有新一批样本加入；上述步骤二所述的核空间最小包含球球面上的轮廓点集的目标函数的形式为：其中xi是第i个样本的特征向量，c是特征空间下的最小包含球的球心，r是核空间下的最小包含球的半径，表示投影函数，N是样本数；上述步骤三所述的初始分类器T0的形式为：其中wlast是权向量，b0是分类超平面的偏移量，sgn()是符号函数，T表示转置操作；上述步骤五所述的基于联合学习和轮廓点的支持向量机的形式为：minwnew,b,ξ12||wnew||2+CΣi=1Nnewξi+λ2||wlast-wnew||2,]]>ξi≥0,i＝1,…,Nnew，  (3)其中yi是xi的类别标签，wnew和b分别是基于联合学习和轮廓点的支持向量机的权向量和偏移量，C是正则化参数，ξi是第i个样本的松弛变量，λ是联合学习参数，Nnew是当前轮廓点集的容量，||wlast‑wnew||2是联合学习项，在原有分类器最优参数的基础上对不同时期的轮廓点集进行渐进式学习；上式可以转换成如下的二次规划形式：minβ12(2λ+1)βTKβ+eTβ,]]>s.t.βTY＝0,0Nnew×1≤β≤CNnew×1,---(4)]]>其中是拉格朗日系数向量，Y是类别标签矩阵，是wlast对应的拉格朗日系数向量；通过求解式(3)和式(4)可得wnew，b的最优解；上述步骤五所述的重新构建的分类器T0的形式为：