[发明专利]一种基于全局贪婪搜索的鲁棒模型拟合方法

权利要求书

1.一种基于全局贪婪搜索的鲁棒模型拟合方法,其特征在于包括以下步骤：

步骤S1:设置数据集，包含N个数据的输入x＝{x₁,x₂,…,x_N}，其中N为自然数,并预设一个模型实例应包含的最少数据点个数k及模型实例的个数m_c；

步骤S2:初始化参数，包括最大迭代次数t_max，数据子集包含的数据点个数h＝p+2，当前迭代次数t，当前已生成的模型实例数m和类标label；

步骤S3:判断当前迭代次数，若前迭代次数t小于t_max，执行步骤S4；否则，结束程序并输出已生成的m_c个模型假设；

步骤S4:判断当前已生成的模型实例数m，若当前已生成的模型实例数m小于m_c，执行步骤S5；否则，执行步骤S10；

步骤S5:使用label来获取类标为m的第m个模型实例的内点I_m；

步骤S6:如果I_m所包含的数据元素个数大于h，执行步骤S7；否则，执行步骤S8；

步骤S7:根据全局贪婪搜索的采样方法在I_m及输入数据上生成模型假设θ；

步骤S8:根据HMSS的采样方法在label中类标为0的数据上生成模型假设θ；

步骤S9:根据模型假设θ及label来获得新的label；

步骤S10:融合最近生成的m_c个模型假设来得到模型假设，然后用模型假设来获得新的label；

步骤S11:判断是否达到停止标准,若达到停止标准，则输出已生成的m_c个模型假设，否则t＝t+1后进行步骤S3；

步骤S12:根据输出已生成的m_c个模型假设，对图像进行分割，完成模型拟合；

所述步骤S7具体为：

步骤S71:预设参数，包括单次采样的最大迭代次数i_max＝50，最大采样次数j_max＝10，数据子集包含的数据点个数h＝p+2，当前迭代次数i＝0，当前已采样次数j＝0和当前最小代价f_min(0)＝+∞；

步骤S72:若当前采样次数j小于j_max，执行步骤S73和S74；否则，结束程序并输出已生成的模型假设；

步骤S73:从I_m中随机选取一个包含h个数据的数据子集；

步骤S74：如果当前迭代次数i小于i_max，执行步骤S75至S710；否则执行步骤S71；

步骤S75：根据已选取的数据子集来估计一个模型假设θ_i，输入数据x与θ_i的残差向量计算如下：

r(θ_i)＝[r₁(θ_i),r₂(θ_i),…,r_N(θ_i)], (1)

其中r_n(θ_i)是第n个数据x_n与θ_i的残差；

非降序地排列残差向量r(θ_i)得到排序残差向量

步骤S76：θ_i的代价函数计算为：

步骤S77：若f(θ_i)小于f_min(j-1)，则f_min(j-1)＝f(θ_i)且θ＝θ_i；

步骤S78：根据排序残差向量r_s(θ_i)从输入数据中选取包含h个数据的数据子集；

步骤S79：计算f_stop如下：

步骤S710：若满足f_stop，停止此次采样过程；

步骤S711：若满足f_min(j)＝f_min(j-1)＝f_min(j-2)，则停止整个采样过程并输出已生成的模型假设θ。