[发明专利]一种基于Universum学习的多经验核分类器

摘要

本发明提供一种基于Universum学习的多经验核分类器，首先将样本数据进行多经验核映射；其次，在每个映射后的样本空间中生成Universum样本数据。本发明设计了一种Universum样本的生成方式IMU，独立于该模型，可运用在其它Universum学习中。IMU引入样本的不平衡，这更好地解决了不平衡问题。接着，本发明根据Universum样本设计了一个正则化项，并将该正则化项引入到多经验核模型中，构成了基于Universum学习的多经验核分类器MUEKL。最后，根据生成的目标函数，对未知参数进行优化求解。不同于已有的多核学习，本发明将多经验核学习和Universum学习结合起来，提出了MUEKL算法；经验核学习和Universum学习的结合在平衡数据集上表现优异，还可以解决不平衡问题；本发明还提出了一种Universum数据生成方式IMU，有更广泛的应用性。

主权项

1.一种基于Universum学习的多经验核分类器，其特征在于：具体步骤是：1)多经验核映射：将采集的样本集经过多个经验核学习进行映射，得到相对应的映射后的样本空间，每个样本被映射后的具体细节可以得到；2)生成Universum样本：在每一个映射后的空间中，计算出该空间的Universum样本；3)构建目标函数：在映射后的空间中，根据Universum样本和映射后的样本，构建目标函数，引入新的正则化项去优化现存模型；4)优化，迭代求解：根据目标函数，对未知变量进行启发式梯度下降法优化，求出未知变量。