基于酉空间多特征融合的复数支持向量机分类方法技术

本发明专利技术公开了一种基于酉空间多特征融合的复数支持向量机分类方法，方法包括：提取待分类对象的初始特征，其中，所述初始特征包括第一特征和第二特征；将所述待分类对象的第一特征作为实部，将所述待分类对象的第二特作为虚部，组合得到所述待分类对象对应的复数特征；根据预设矩阵对所述待分类对象对应的复数特征进行特征选择，提取所述待分类对象对应的目标特征；将所述待分类对象对应的所述目标特征输入至已训练的分类向量机，得到所述待分类对象的类别。本发明专利技术通过结合不同的特征，可以提高分类的准确率，并且在输入至分类向量机之前对提取的不同的特征结合后的特征进行特征选取，降低分类向量机训练和检测时间。降低分类向量机训练和检测时间。降低分类向量机训练和检测时间。

【技术实现步骤摘要】
基于酉空间多特征融合的复数支持向量机分类方法


[0001]本专利技术涉及分类
，特别涉及一种基于酉空间多特征融合的复数支持向量机分类方法。

技术介绍

[0002]分类任务在生活中十分常见，精准且高效的分类算法一直为研究热点，现有的分类算法中SVM(支持向量机)算法应用广泛，基于SVM的分类算法通过提取分类对象的特征并输入至支持向量机中进行分类，但是，现有技术中基于SVM的分类算法的准确度有待提高。
[0003]因此，现有技术还有待改进和提高。

技术实现思路

[0004]针对现有技术的上述缺陷，本专利技术提供一种基于酉空间多特征融合的复数支持向量机分类方法，旨在解决现有技术中基于SVM的分类准确度不高的问题。
[0005]为了解决上述技术问题，本专利技术所采用的技术方案如下：
[0006]本专利技术的第一方面，提供一种基于酉空间多特征融合的复数支持向量机分类方法，所述方法包括：
[0007]提取待分类对象的第一特征和第二特征；
[0008]将所述待分类对象的第一特征作为实部，将所述待分类对象的第二特作为虚部，组合得到所述待分类对象对应的复数特征；
[0009]根据预设矩阵对所述待分类对象对应的复数特征进行特征选择，提取所述待分类对象对应的目标特征；
[0010]将所述待分类对象对应的所述目标特征输入至已训练的分类向量机，得到所述待分类对象的类别。
[0011]所述的基于酉空间多特征融合的复数支持向量机分类方法，其中，所述分类向量机是根据多组训练数据得到，每组训练数据包括样本对象的目标特征和样本对象对应的类别。
[0012]所述的基于酉空间多特征融合的复数支持向量机分类方法，其中，所述预设矩阵是通过训练集得到，所述训练集中包括类别为第一类的多个样本对象和类别为第二类的多个样本对象；所述根据预设矩阵对所述待分类对象对应的复数特征进行特征选择之前，包括：
[0013]分别提取所述预设训练集中各个样本对象分别对应的第一特征和第二特征；
[0014]根据所述各个样本对象分别对应的第一特征和第二特征确定所述各个样本对象分别对应的复数特征；
[0015]根据类别为第一类的样本对象分别对应的复数特征和类别为第二类的样本对象分别对应的复数特征确定所述预设矩阵。
[0016]所述的基于酉空间多特征融合的复数支持向量机分类方法，其中，所述根据所述
各个样本对象分别对应的第一特征和第二特征确定所述各个样本对象分别对应的复数特征，包括：
[0017]分别根据目标样本对象的第一特征和第二特征，生成所述目标样本对象对应的多个中间第一特征和多个中间第二特征；
[0018]将所述多个中间第一特征中的目标中间第一特征作为实部，将所述多个中间第二特征中与所述目标中间第一特征对应的目标中间第二特征作为虚部，组合得到所述目标样本对象对应的目标复数特征。
[0019]所述的基于酉空间多特征融合的复数支持向量机分类方法，其中，所述分别根据目标样本对象的第一特征和第二特征，生成所述目标样本对象对应的多个中间第一特征和多个中间第二特征，包括：
[0020]基于所述目标样本对象对应的第一特征和所述目标样本对象所属的类别的所有样本对象对应的第一特征的均值，根据高斯分布生成所述目标样本对象对应的所述多个中间第一特征；
[0021]基于所述目标样本对象对应的第二特征和所述目标样本对象所属的类别的所有样本对象对应的第二特征的均值，根据高斯分布生成所述目标样本对象对应的所述多个中间第二特征。
[0022]所述的基于酉空间多特征融合的复数支持向量机分类方法，其中，所述根据类别为第一类的样本对象对应的复数特征和类别为第二类的样本对象对应的复数特征确定所述预设矩阵，包括：
[0023]根据类别为第一类的样本对象分别对应的复数特征和类别为第二类的样本对象分别对应的复数特征，融合至少一种目标降维方法的目标函数构建第一目标函数；
[0024]求解所述第一目标函数得到所述预设矩阵；
[0025]其中，所述目标降维方法包括：典型相关分析法、主成分分析法和线性判别分析法。
[0026]所述的基于酉空间多特征融合的复数支持向量机分类方法，其中，所述分类向量机的训练目标函数为：
[0027][0028]其中，其中，λ为步长，n为训练集中样本对象的数量，K为训练数据的数量，表示训练集中第i个样本特征对应的第k个复数特征real(
·
)表示对实部部分运算，w、b为所述分类向量机的参数。
[0029]本专利技术的第二方面，提供一种分类装置，包括：
[0030]初始特征提取模块，所述初始特征提取模块用于提取待分类对象的第一特征和第二特征；
[0031]特征融合模块，所述特征融合模块用于将所述待分类对象的第一特征作为实部，将所述待分类对象的第二特作为虚部，组合得到所述待分类对象对应的复数特征；
[0032]特征选择模块，所述特征选择模块用于根据预设矩阵对所述待分类对象对应的复数特征进行特征选择，提取所述待分类对象对应的目标特征；
[0033]分类模块，所述分类模块用于将所述待分类对象对应的所述目标特征输入至已训练的分类向量机，得到所述待分类对象的类别。
[0034]本专利技术的第三方面，提供一种终端，所述终端包括处理器、与处理器通信连接的计算机可读存储介质，所述计算机可读存储介质适于存储多条指令，所述处理器适于调用所述计算机可读存储介质中的指令，以执行实现上述任一项所述的分类方法的步骤。
[0035]本专利技术的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的分类方法的步骤。
[0036]与现有技术相比，本专利技术提供了一种基于酉空间多特征融合的复数支持向量机分类方法、装置、终端及存储介质，所述的基于酉空间多特征融合的复数支持向量机分类方法，对待分类对象提取两种特征，将两种特征进行结合得到复数特征，并对复数特征进行特征选择再使用分类向量机实现对待分类对象的类别，通过结合不同的特征，可以提高分类的准确率，并且在输入至分类向量机之前对提取的不同的特征结合后的特征进行特征选取，降低分类向量机训练和检测时间。
附图说明
[0037]图1为本专利技术提供的基于酉空间多特征融合的复数支持向量机分类方法的实施例的流程图；
[0038]图2为本专利技术提供的基于酉空间多特征融合的复数支持向量机分类方法的实施例中对训练集的样本对象的初始特征进行扩充的效果示意图一；
[0039]图3为本专利技术提供的基于酉空间多特征融合的复数支持向量机分类方法的实施例中对训练集的样本对象的初始特征进行扩充的效果示意图二；
[0040]图4为本专利技术提供的基于酉空间多特征融合的复数支持向量机分类方法的实施例中对训练集的样本对象的初始特征进行扩充的效果示意图三；
[0041]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于酉空间多特征融合的复数支持向量机分类方法，其特征在于，所述方法包括：提取待分类对象的初始特征，其中，所述初始特征包括第一特征和第二特征；将所述待分类对象的第一特征作为实部，将所述待分类对象的第二特作为虚部，组合得到所述待分类对象对应的复数特征；根据预设矩阵对所述待分类对象对应的复数特征进行特征选择，提取所述待分类对象对应的目标特征；将所述待分类对象对应的所述目标特征输入至已训练的分类向量机，得到所述待分类对象的类别。2.根据权利要求1所述的基于酉空间多特征融合的复数支持向量机分类方法，其特征在于，所述分类向量机是根据多组训练数据得到，每组训练数据包括样本对象的目标特征和样本对象对应的类别。3.根据权利要求1所述的基于酉空间多特征融合的复数支持向量机分类方法，其特征在于，所述预设矩阵是通过训练集得到，所述训练集中包括类别为第一类的多个样本对象和类别为第二类的多个样本对象；所述根据预设矩阵对所述待分类对象对应的复数特征进行特征选择之前，包括：分别提取所述预设训练集中各个样本对象分别对应的第一特征和第二特征；根据所述各个样本对象分别对应的第一特征和第二特征确定所述各个样本对象分别对应的复数特征；根据类别为第一类的样本对象分别对应的复数特征和类别为第二类的样本对象分别对应的复数特征确定所述预设矩阵。4.根据权利要求3所述的基于酉空间多特征融合的复数支持向量机分类方法，其特征在于，所述根据所述各个样本对象分别对应的第一特征和第二特征确定所述各个样本对象分别对应的复数特征，包括：分别根据目标样本对象的第一特征和第二特征，生成所述目标样本对象对应的多个中间第一特征和多个中间第二特征；将所述多个中间第一特征中的目标中间第一特征作为实部，将所述多个中间第二特征中与所述目标中间第一特征对应的目标中间第二特征作为虚部，组合得到所述目标样本对象对应的目标复数特征。5.根据权利要求4所述的基于酉空间多特征融合的复数支持向量机分类方法，其特征在于，所述分别根据目标样本对象的第一特征和第二特征，生成所述目标样本对象对应的多个中间第一特征和多个中间第二特征，包括：基于所述目标样本对象对应的第一特征和所述目标样本对象所属的类别的所有样本对象对应的第一特征的均值，根据高斯分布生成所述目标样本对象对应的所述多个中间第一特征；基于所述目标样本对象对应的第二特征和所述目标样...

【专利技术属性】
技术研发人员：徐颖，郑润晓，蔡大森，唐文涛，陈晓清，张文杰，庾名星，
申请(专利权)人：深圳大学，
类型：发明
国别省市：