[发明专利]一种基于支持向量机多核协作的情绪辨识分类方法

说明书

本发明公开了一种基于支持向量机多核协作的情绪辨识分类方法，包括获取样本数据，所述样本数据分为训练样本和测试样本；将训练样本输入两个不同核函数类型的支持向量机分类器进行模型训练；将测试样本输入至两个已完成训练的不同核函数类型的支持向量机分类器，比较和判别两者输出的预测标签；若两者预测标签一致则直接输出该类标签；若两者预测标签不一致，则利用多核协作策略，通过分析各核的决策值，制定相应的表决机制来共同判别该样本的最终标签。本发明从多核协作分类的角度出发，减少了传统的支持向量机单核作用的局限性。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于支持向量机多核协作的情绪辨识分类方法。

背景技术

随人机交互的需求激增，情绪作为人心理状态的内在反映，在许多领域已受到广泛关注。开展情绪辨识方法研究对于实现人机共融具有长远意义。常用于情绪辨识的信号包括：语音、面部表情、手势姿态、脑电及其他生理信号等。其中生理信号如肌电、血压等作为内在的信号源，更宜反映真实的、细微的情绪状态。

一般来说，选择一个好的分类方法对于实现情绪辨识来说至关重要。常见的分类方法包括：决策树、随机森林、支持向量机、极限学习机等。不同的分类器具有不同的分类特性。决策树是基于树结构进行决策,其机制就是通过判定每个属性分类的纯度来进行自上而下的决策分类。极限学习机是一种新型的快速学习算法，对于单隐层神经网络，极限学习机可以随机初始化输入权重和偏置并得到相应的输出权重。

支持向量机作为一种强分类器，通过定义特征空间的间隔最大化，在二分类问题中突出的性能效果已受到广泛研究者的青睐。采用一对一的训练策略来构建多组二分类器可以实现多分类问题的识别。现实中，许多信号的特征往往是非线性的，因此各类核函数的引入使得复杂的非线性问题得以解决。不同的核函数具有各自的特性。一般基于单核决策的SVM存在一定的局限性，尤其是在处理多分类问题时，随辨识类别数目的增多，辨识的难度、问题的复杂性亦会随之增大。因此，组合不同核函数的支持向量机进行决策，探究其之间的共性和补偿性具有重要的研究意义。

发明内容

本发明的目的是提供一种基于支持向量机多核协作的情绪辨识分类方法，弥补了单核决策的局限性，从而改善分类效果，提升情绪辨识分类的精度。

本发明为实现上述发明目的采用如下技术方案：

本发明提供了一种基于支持向量机多核协作的情绪辨识分类方法，包括：

获取样本数据，所述样本数据分为训练样本和测试样本；

将训练样本输入两个不同核函数类型的支持向量机分类器进行模型训练；

将测试样本输入至两个已完成训练的不同核函数类型的支持向量机分类器，比较和判别两者输出的预测标签；

若两者预测标签一致则直接输出该类标签；

若两者预测标签不一致，则利用多核协作辨识策略，通过分析各核的决策值，制定相应的表决机制来共同判别该样本的最终标签。

进一步地，采用hold-out方法将样本数据分为训练样本和测试样本。

进一步地，两个不同核函数类型其中一个核函数类型选用多项式核，另一个核函数类型选用径向基核。

进一步地，若两者预测标签不一致，则利用多核协作辨识策略，通过分析各核的决策值，制定相应的表决机制来共同判别该样本的最终标签的方法包括：

找出预测标签不同的测试样本，并从各核中取出相应的决策值；

对取出的决策值进行归一化处理，处理要求如下：

考虑最高票的决策值，将各核的最高票的各决策值转化为对应的有效值，公式如下：