本技术主要处理大规模含噪数据流挖掘问题,此类问题广泛存在于生物信息学、社交媒体、流程工业生产过程等实际应用场景之中。
主要技术难点: - 由于样本标签中富含噪声,无法直接使用常规去噪技术如分箱算法对数据做预处理。 - 现有在线学习算法处理富含噪音的样本数据,又难以学习到系统的准确规律,导致学习算法的可靠性大打折扣。
所提供的技术核心支撑点: 1. 针对分类问题,结合经典hinge损失和Ramp损失构造一种新型损失函数,以有效遏制噪音数据的负面影响。引入核函数设计耐噪在线核分类算法,封装算法形成软件。 2. 针对回归问题,构造Canal损失函数以限制杠杆点等噪音数据的影响。基于核技巧构建具有实时性的在线核学习算法,综合利用泛函Gateaux导数和在线梯度下降方法设计可尺度化的快速更新算法,封装算法形成软件。
应用前景: - 所提耐噪在线核分类算法可用于处理一般的PU学习问题。如生物信息学中的多肽鉴定问题等。 - 所提耐噪在线核回归算法可用于构建动态高炉炉温实时预报模型,集成到高炉专家系统中,与高炉炉温控制模型等协同,有效降低高炉能耗、减少环境污染。
| 专利名称 | 基于预算支持向量集的LS-SVMs在线学习方法 | ||
|---|---|---|---|
| 专利状态 | - | 专利号(申请号) | ZL201610087343.5 |
| 申请号 | - | 专利申请日期 | 2016-02-16 |
| 专利授权日期 | 2017-06-30 | 专利权届满日 | - |
| 专利所属地 | 中国 | 专利类型 | 发明专利 |
| 发明人 | 渐令;宋允全;申淑谦;梁锡军 | ||
| 权利人 | - | ||
| 专利摘要 | 本发明涉及一种基于预算支持向量集的LS?SVMs在线学习方法,在训练集上确定预算范围,选择初始支持向量集合,建立LS?SVMs模型,采用共轭帝都发求解LS?SVMs模型,并利用低秩矩阵校正方法以及Sherman?Morrison?Woodbury公式更新LS?SVMs模型得到在线预测器,实现了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、计算复杂度低、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应用问题,数据可以以数据块的形式收集,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难度和模型运行时间,可以同时处理回归问题和分类问题,能够高效处理LS?SVMs模型选择问题。 | ||