[发明专利]一种基于时空连续性的扩展分类器

说明书

本发明公开了一种基于时空连续性的扩展分类器，包括离线训练、在线分类、在线修正三个部分，其优点在于：1)利用贝叶斯滤波器能够显著提升分类精度；2)利用贝叶斯平滑器能够显著提升历史滤波精度；3)通过对平滑结果和分类结果的在线分析，能够筛选出误分类样例，进而利用这些样例对分类器进行增量训练，能够提升其泛化性能；4)平滑‑分类结果的在线分析还可以用于修正贝叶斯滤波器的参数，从而降低其在状态突变时由于惯性导致的低精度问题。

技术领域

本发明涉及机器学习领域，特别是涉及一种基于时空连续性的扩展分类器。

背景技术

分类是机器学习的一种非常重要的问题。分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型(即我们通常所说的分类器。该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测。总之，分类器是机器学习中对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法。

分类器的构造和实施大体会经过以下几个步骤：选定样本(包含正样本和负样本)，将所有样本分成训练样本和测试样本两部分；在训练样本上执行分类器算法，生成分类模型；在测试样本上执行分类模型，生成预测结果；根据预测结果，计算必要的评估指标，评估分类模型的性能。

泛化能力是指机器学习算法对新鲜样本的适应能力。学习的目的是学到隐含在数据背后的规律，对具有同一规律的学习集以外的数据，经过训练的网络也能给出合适的输出，该能力称为泛化能力。训练数据的完整性是决定泛化能力的一个主要因素。在现实中，往往很难在训练阶段将所有可能的样本收集完整，这就需要分类器能够在在线运行中主动进行增量学习，自我调整以达到最大的泛化能力。

发明内容

本发明技术克服现有技术的不足，解决了分类器泛化能力不足的问题。

本发明采用的技术方案如下：提出一种基于时空连续性的扩展分类器，包括离线训练、在线分类、在线修正三个部分，其中：

1、离线训练部分

1.1采集原始数据；

1.2对1.1获取的原始数据进行特征提取并归一化，得到训练样本集合；

1.3对1.2获取的训练样本集合进行标记，得到训练样例集合；

1.4基于1.3获取训练样例集合训练分类器，得到训练好的分类器

2、在线预测部分

2.1获取时间t的样本s_t，利用分类器进行预测，得到状态预测结果

2.2基于2.1获取的状态预测结果yt进行贝叶斯滤波，计算先验概率密度和后验概率密度如下所示：

其中，x_t表示时间t的状态，可以取{1，2，…，λ}共λ个离散值，Y_t＝{y₁，y₂，…，y_t}，为状态转移概率密度，为分类混淆概率密度；

2.3基于2.2获取的后验概率密度可以得到y_t的滤波值如下所示：

3、在线校正部分

3.1基于2.2获取的后验概率密度计算先验概率密度和后验概率密度如下所示：

其中，k＜t；

3.2基于3.1获取的后验概率密度可以得到y_k的平滑值如下所示：