[发明专利]基于固定预算的核岭回归在线学习方法在审
| 申请号： | 201810593893.3 | 申请日： | 2018-06-11 |
| 公开（公告）号： | CN108875962A | 公开（公告）日： | 2018-11-23 |
| 发明（设计）人： | 宋允全;高富豪;梁锡军;渐令 | 申请（专利权）人： | 中国石油大学（华东） |
| 主分类号： | G06N99/00 | 分类号： | G06N99/00;G06K9/62 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 266580 山*** | 国省代码： | 山东;37 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于固定预算的核岭回归在线学习方法，首先通过数值实验确定预算取值，构造初始学习样本集合，建立核岭回归模型并求解得到预测器，利用低秩矩阵校正技术和Sherman‑Morrison‑Woodbury公式更新核岭回归模型得到在线预测器，进而实现对数据流的在线预测。该方法采用固定预算策略，能有效控制在线学习模型的规模、节约存储空间、有效降低计算复杂度、易于实现。本发明在线学习方法，能够灵活处理具有数据流特征的在线预测问题，数据可以通过数据块的形式收集，与传统批处理方式以及当前的在线学习方法相比，大幅度降低了计算复杂度和模型运行时间，能够高效处理回归和分类问题。 | ||
| 搜索关键词： | 在线学习 核岭回归 在线预测 计算复杂度 预算 批处理 数据流特征 数据流 存储空间 低秩矩阵 分类问题 高效处理 数值实验 学习样本 有效控制 数据块 预测器 求解 校正 集合 回归 节约 灵活 更新 | ||
【主权项】：
1.基于固定预算的核岭回归在线学习方法，其特征在于含有以下步骤：(一)通过数值实验确定预算取值；(二)按照预算随机选取初始学习样本构造初始学习样本集合，建立岭回归模型，通过中心化方法将岭回归模型转化为无截距的岭回归模型并得到岭回归解，引入核技巧将岭回归预测器等价转化为核岭回归预测器；(三)以mini‑batch或one‑by‑one的形式采集数据流，采用预测器对数据流中的样本进行预测；(四)采用3‑σ法则剔除数据流中的噪声，以保持预测器的稳定性；(五)根据样本贡献值将部分样本加入学习样本集合，并按照最小贡献准则剔除相应数量的样本，维持预算稳定；(六)利用低秩矩阵校正技术以及Sherman‑Morrison‑Woodbury公式更新核岭回归模型，得到在线预测器，通过在线预测器对数据流进行在线预测。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中国石油大学（华东），未经中国石油大学（华东）许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810593893.3/，转载请声明来源钻瓜专利网。
