[发明专利]一种基于模糊双超球分类模型的数据分类方法及系统

权利要求书

1.一种基于模糊双超球分类模型的数据分类方法，其特征在于，所述方法包括：

获取待测数据；

通过预先建立的模糊双超球分类模型的决策函数确定所述待测数据的分类结果；

其中，所述模糊双超球分类模型包括决策函数和两个模糊超球模型；所述决策函数通过两个模糊超球模型的最优球心和最优半径进行确定，所述两个模糊超球模型的最优球心和最优半径通过对各自的训练样本集进行训练确定；所述两个模糊超球模型的训练样本集为分别从对应类型的实验数据中随机抽取的数据集合；

所述决策函数通过两个模糊超球模型的最优球心和最优半径进行确定，包括：

按下式确定所述模糊双超球分类模型的决策函数f(x)：

式中，c′₊为第一模糊超球模型的最优球心，c′_-为第二模糊超球模型的最优球心，R'₊为第一模糊超球模型的最优半径，R'_-为第二模糊超球模型的最优半径，x为待测样本点；

所述两个模糊超球模型的最优球心和最优半径通过对各自的训练样本集进行训练确定，包括：

从所述实验数据中随机抽取数据确定为训练样本集，并根据实验数据的类别标签将所述训练样本集分为第一类训练样本集和第二类训练样本集；

分别对所述第一类训练样本集和第二类训练样本集进行训练得到第一模糊超球模型和第二模糊超球模型；

利用拉普拉斯乘子法，引入拉格朗日乘子，将第一模糊超球模型和第二模糊超球模型的最优化问题转换为对偶形式，获取数据模糊双超球分类模型的最优球心和最优半径；

所述分别对所述第一类训练样本集和第二类训练样本集进行训练构建第一模糊超球模型和第二模糊超球模型，包括：

按下式训练所述第一类训练样本集构建第一模糊超球模型：

按下式训练所述第二类训练样本集构建第二模糊超球模型：

其中，c₊为第一模糊超球模型的球心，c_-为第二模糊超球模型的球心，R₊为第一模糊超球模型的半径，R_-为第二模糊超球模型的半径，τ⁺为第一模糊超球模型的样本矩阵，τ^-为第二模糊超球模型的样本矩阵，x_i为第一类训练样本集的第i个样本点，i∈(1,l^-)，x_j为第二类训练样本集的第j个样本点，j∈(1,l⁺)，l⁺为第一类训练样本集的样本规模，l^-为第二类训练样本集的样本规模，l⁺+l^-＝l，l为两类训练样本集的总样本规模；c₁为第一模糊超球模型的惩罚因子，c₁0，c₂为第二模糊超球模型的惩罚因子，c₂0；ν₁为第一模糊超球模型的平衡参数，ν₁0，ν₂为第二模糊超球模型的平衡参数，ν₂0；s_i为第一模糊超球模型第i个样本点对应的模糊隶属度函数，s_j为第二模糊超球模型第j个样本点对应的模糊隶属度函数，ξ_i为第一模糊超球模型第i个样本点对应的松弛因子，ξ_j为第二模糊超球模型第j个样本点对应的松弛因子。

2.如权利要求1所述的方法，其特征在于，按下式确定所述第一模糊超球模型第i个样本点对应的模糊隶属度函数s_i：

按下式确定所述第二模糊超球模型第j个样本点对应的模糊隶属度函数s_j

其中，δ＞0，δ∈(10^-3,10^-2)，为第一类训练样本集的类中心，r⁺为第一类训练样本集的类半径；为第二类训练样本集的类中心，r^-为第二类训练样本集的类半径，δ为干扰因子。