[发明专利]基于噪声扰动的测试数据预测方法

权利要求书

1.一种基于噪声扰动的测试数据预测方法，其特征在于，包括以下步骤：

S1、对测试数据进行预处理，提取所述测试数据的特征并进行归一化处理；

S2、根据所述测试数据的特征建立用以对测试数据进行预测的预测模型；

S3、对所述预测模型进行参数求解；

S4、利用求解后的所述预测模型对测试数据进行预测；

其中，步骤S3包括：

S3.1、选取所述预测模型的损失函数，将最小化所述预测模型的损失函数的期望设置为目标函数；

S3.2、计算所述损失函数的变分上界；

S3.3、基于所述损失函数的变分上界，优化所述目标函数；

S3.4、使用迭代复加权最小二乘法以求解目标函数。

2.根据权利要求1所述的测试数据预测方法，其特征在于，步骤S3.2中使用数据增广的方法得出所述损失函数的变分上界。

3.根据权利要求2所述的测试数据预测方法，其特征在于，所述测试数据包括输入的特征向量与响应变量的集合，步骤S3.2中使用数据增广的方法以获取所述响应变量的伪似然函数，并根据所述伪似然函数获取所述损失函数的变分上界。

4.根据权利要求1至3中任一项所述的测试数据预测方法，其特征在于，步骤S3.1中的损失函数为铰链损失函数，所述目标函数为最小化所述预测模型的铰链损失函数的期望。

5.根据权利要求4所述的测试数据预测方法，其特征在于，步骤S3.4进一步包括：

对于低维的数据，用矩阵求逆的方式来得到所述预测模型参数的解；对于高维的数据，用数值求解方法以得到所述预测模型参数的解。

6.根据权利要求3所述的测试数据预测方法，其特征在于，步骤S3.1中的损失函数为铰链损失函数，步骤S3.2中铰链损失函数期望的变分上界通过所述伪似然函数及杰森不等式得到。

7.根据权利要求1至3中任一项所述的测试数据预测方法，其特征在于，步骤S3.1中的损失函数为罗杰斯特损失函数，所述目标函数为最小化所述预测模型的罗杰斯特损失函数的期望。

8.根据权利要求7所述的测试数据预测方法，其特征在于，步骤S3.4中使用坐标下降法以实现变分优化。