[发明专利]一种基于多核集成分类学习的图像分类方法

权利要求书

1.一种基于多核集成分类学习的图像分类方法，其特征在于，获取用于分类的图像数据作为样本集X和与之对应的样本标签集Y，并对样本集X进行归一化处理；将样本集X分为训练集和测试集；

根据训练集内的数据样本获得不同的基础内核K，由不同的基础内核K分别构建单核分类模型，求解每个单核分类模型的损失loss，通过对所有的损失loss进行加权集成形成一个集成损失，再通过最小化集成损失来共同优化每一个单核分类模型，所述单核分类模型的构建方法为：

根据训练集获得不同的基础内核K，由不同的基础内核K构建单核分类模型，

其中，C是控制第一项和第二项之间权衡的参数，ξ_it是铰链损失，t为第t样本，N为训练集中的样本数，a_i是每个训练集权重，K_i是第i个内核Gram矩阵；

把多个基础内核分类器进行集成，从而获得训练好的多核集成分类模型；对所有的损失loss进行加权集成，获得所述多核集成分类模型的方法为：

其中，L是基础内核的个数，α_i是每个训练集权重，w_i是添加在每个单核分类模型所求解的损失上的权重，K_i是第i个内核Gram矩阵，b_i是对于特定K_i的偏移量，a_im为与样本x_m对应训练集的权重，K_i(x_t，x_m)是样本x_t和x_m内积表示，a_im是K_i(x_t，x_m)系数，y_t是训练样本标签集中第t个标签；

将剩余样本集作为测试集输入所构造的多核集成分类模型，获得对图像数据的分类结果；

对分类器获得的分类结果采用一对多法解决多类问题，将某一个类别的样本标记为一类,其余类别样本统一标记成另一类,由此得到与样本类别相等个数的二值分类器,然后将测试图像样本分别使用这些二值分类器中分类，所属的类别的投票数累加1，然后该测试样本属于投票数较大的一类,得到分类结果。

2.根据权利要求1所述的一种基于多核集成分类学习的图像分类方法，其特征在于，根据多核集成分类模型，求解出拉格朗日乘子β＝[β₁，β₂...，β_N]^T的最大值，过程为：

初始化w_i，然后对多核集成分类模型使用拉格朗日乘子法转化为对偶形式如下：

其中，Q为对的累加表示，Y为样本标签集，N为训练集样本数，β＝[β₁，β₂...，β_N]^T，β_t是第t个拉格朗日乘子，t＝1、2...、N，y_t是样本标签集中第t个标签，从而求解出β最大值。

3.根据权利要求2所述的一种基于多核集成分类学习的图像分类方法，其特征在于，固定β最大值，利用最小化问题的求解并更新权重w_i，使用增广拉格朗日乘子法求解的过程为：

初始化参数w_i、λ、η_i、τ和θ，并将参数w_i、λ、η_i、τ和θ代入上式经过循环求解后输出最优的权重w_i。

4.根据权利要求3所述的一种基于多核集成分类学习的图像分类方法，其特征在于，根据所述最优的权重w_i，得到最后的二值分类器的模型：Y＝sign(f(X_test)),并将测试集输入该分类器，实现对图像的分类。

5.根据权利要求3所述的一种基于多核集成分类学习的图像分类方法，其特征在于，所述循环求解结束的判断条件为：loss1e-6或者迭代次数小于设定的次数。

6.根据权利要求5所述的一种基于多核集成分类学习的图像分类方法，其特征在于，所述损失loss的更新方法为：设定开始时loss_new，计算出从而得到loss＝|loss_old-loss_new|；根据更新后的参数w_i、λ、η_i、τ和θ重新计算loss_old，保存loss_old←loss_new，迭代次数加1。