一种分数阶序列最小优化算法制造技术

本发明专利技术公开了一种分数阶序列最小优化算法，所述方法包括步骤：将支持向量机最优化问题进行化简；根据分数阶微积分的定义，求分数阶导数；将分数阶导数代入支持向量机最优化问题中得到目标函数的分数阶表达式；进一步计算，得到更新值计算表达式；更新超平面偏函数移量；根据参数确定最终分类结果。通过将分数阶微积分与支持向量机相结合，对支持向量机中整数阶序列最小优化算法进行了分数阶拓展，提高了序列最小优化算法的精度。利用本方法对高维声纳数据进行分类确定岩石或者矿山。为地质工作者判断是岩石与矿山提供参考，从而节省了地质勘探工作中所需的人力、物力。

A Fractional Order Sequence Minimum Optimization Method

【技术实现步骤摘要】
一种分数阶序列最小优化算法
本专利技术涉及算法领域，尤其是一种分数阶序列最小优化算法。
技术介绍
序列最小优化算法(英语：Sequentialminimaloptimization,SMO)是一种用于解决支持向量机训练过程中所产生优化问题的算法。SMO由微软研究院的约翰·普莱特(JohnPlatt)专利技术于1998年，目前被广泛使用于SVM的训练过程中，并在通行的SVM库libsvm中得到实现。方法可以实现分类效果，但分类结果的精确度不是太高。此外，现有地质勘探工作中矿山和岩石的判段，因为勘探技术的限制，主要靠打孔采样等人工操作进行矿山和岩石的判段。整个过程会耗费大量的人力、财力以及物力。
技术实现思路
本专利技术的专利技术目的在于：针对上述现有技术中存在的问题，提供一种分数阶序列最小优化算法，旨在解决现有序列最小优化算法精度不够高问题，以及现有地质勘探工作中矿山和岩石的判段工作费时费力的问题。为解决上述技术问题，本专利技术采用的一个技术方案如下：提供一种分数阶序列最小优化算法，所述方法包括以下步骤：S1：将支持向量机最优化问题进行化简，化简结果为含有和两项的目标函数；S2:根据分数阶微积分的定义，分别求得和的分数阶导数；S3：将和的分数阶导数代入支持向量机最优化问题中得到目标函数的分数阶表达式；进一步计算，得到α1,α2的更新值计算表达式，并使用启发式算法求得α1,α2的值；S4：根据和的值更新超平面偏函数移量b；S5：根据参数确定最终分类结果。进一步地，所述分数阶序列最小优化算法可用于岩石与矿山的检测分类。进一步地，所述检测分类具体为使用分数阶序列最优算法对声呐数据进行分类从而实现对检测对象的检测，确定检测对象是岩石或矿山。进一步地，所述用，所述分数阶导数的阶数为1.1阶或1.3阶。进一步地，所述和的分数阶导数具体为：进一步地，目标函数的分数阶表达式为：进一步地，所述α2更新值计算表达式为：综上所述，由于采用了上述技术方案，本专利技术的有益效果是：1、本专利技术通过将分数阶微积分与支持向量机相结合，对支持向量机中整数阶序列最小优化算法进行了分数阶拓展，提高了序列最小优化算法的精度。2、本专利技术利用优化后的分数阶序列最小优化算法对高维声纳数据进行分类确定岩石或者矿山。为地质工作者判断是岩石与矿山提供参考，从而节省了地质勘探工作中所需的人力、物力。附图说明本专利技术将通过例子并参照附图的方式说明，其中：图1是SMO算法流程图；图2是本专利技术中1～1.9阶分数阶序列最小优化算法声纳数据分类情况柱状图。具体实施方式为了使本领域的人员更好地理解本专利技术的技术方案，对本专利技术的技术方案进行清楚、完整的描述，基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它类同实施例，都应当属于本申请保护的范围。实施例1JohnPlatt在《SequentialMinimalOptimization:AFastAlgorithmforTrainingSupportVectorMachines》一文中公开了一种序列最小优化算法(SMO算法)，SMO算法是一种启发式算法，在所有变量都满足KKT条件下，在拉格朗日乘子αi＝{α1,α2,α3,…,αn}中选取两个乘子α1和α2(不失一般性，假定是α1,α2)，然后固定α1,α2以外的其它乘子α3,α4,α5,…,αn，使得目标函数只是关于α1和α2的函数。使用启发式算法选择第一个变量α1时，要选择训练样本中违反KKT条件最严重的样本点；在第一个变量确定α1时，为了使运算度更快，α2选择应使|E1-E2|的变化量最大，流程如图1所示。具体步骤如下：假设给定一个特征空间上的训练数据集为，T＝{(x1,y1),(x2,y2),…,(xn,yn)}其中，xi∈X＝Rn,yi∈Y＝{+1,-1},i＝1,2,…,n,xi为第i个特征向量，也称为实例，yi为xi的类标签，当yi＝+1时，称为正例；当yi＝-1时，称为负例，(xi,yi)称为样本点。超平面函数定义为f(x)＝wTx+b＝0其中，w是法向量，b为阈值(偏移量)(1)取初值α＝0(2)求解支持向量机最优化问题0≤αi≤C,i＝1,…,n求得α1和α2的解析解，并更新α1,α2α2的更新，由求的计算公为α1的更新本专利技术中的分数阶序列最小优化分类方法的主要思路如下：首先，将支持向量机最优化问题进行化简，化简结果是含有和两项的多项式；其次，根据分数阶微积分的定义，分别求得和的分数阶导数结果；然后，将和的分数阶导数结果代入支持向量机最优化问题中，并使用启发式算法求得α1,α2的值；再次，根据和的值更新偏移量b；最后，根据参数确定最终分类结果。具体步骤如下：1、对支持向量机的最优化问题0≤αi≤C,i＝1,…,n进行化简得目标函数：其中，s＝y1y2Ki,j＝K<xi,xj>,i,j＝1,2,…,n2、根据分数阶导数的定义和极限形式可得和的分数阶导数3、计算α1,α2的新值将其代入到支持向量机最优化问题表达式中可得求得其中，μ>0,η＝K11+K22–2K12,Ei＝f(xi)-yi。的更新值的更新值4、更新偏移量b实施例2对60维数据sonar数据进行分类，声纳数据是根据不同纵横度获得信号，判定目标是岩石(R)还是矿山(M)。声纳数据是一个二分类数据集，一共有208个数据，其中矿井标签有111个，岩石标签有97个。将声纳数据集标签进行处理，将R标签定义为1，M标签定义为-1，并对数据集进行归一化处理。将进行归一化处理后的数据集使用分数阶序列最小优化分类方法进行分类。现在预测比较好的结果约是88％。下面使用分数阶序列最小优化算法对声纳数据进行分类。通过图2得到，1阶导时，正确分类率是78.85％；1.1阶时，正确分类率是95.67％；1.3阶时，正确分类率是94.23％。通过对比发现1.1阶导和1.3阶导的分类效果要比1阶的分类效果要好。本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。本专利技术并不局限于前述的具体实施方式。本专利技术扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。本文档来自技高网...

【技术保护点】
1.一种分数阶序列最小优化算法，其特征在于，所述方法包括以下步骤：S1：将支持向量机最优化问题进行化简，化简结果为含有

【技术特征摘要】
1.一种分数阶序列最小优化算法，其特征在于，所述方法包括以下步骤：S1：将支持向量机最优化问题进行化简，化简结果为含有和两项的目标函数；S2:根据分数阶微积分的定义，分别求得和的分数阶导数；S3：将和的分数阶导数代入支持向量机最优化问题中得到目标函数的分数阶表达式；进一步计算，得到α1,α2的更新值计算表达式，并使用启发式算法求得α1,α2的值；S4：根据和的值更新超平面偏函数移量b；S5：根据参数确定最终分类结果。2.如权利要求1所述的一种分数阶序列最小优化算法，其特征在于，所述分数阶序列最小优化算法可用于岩石与矿山的检测分类。...

【专利技术属性】
技术研发人员：代立才，赵春娜，刘亚南，
申请(专利权)人：云南大学，
类型：发明
国别省市：云南,53