一种基于随机重采样多项式神经网络的分类方法

本发明涉及样本分类领域，具体涉及一种基于随机重采样多项式神经网络的分类方法。

背景技术：

1、神经网络作为一种模仿动物中枢神经系统中神经元之间的信息传递和处理过程的一种算法模型，因其能处理复杂问题的特性，广泛受到了关注。多项式神经网络是一种融合了传统神经网络和数据处理组合算法的方法，具备了两者的优势，在一定程度上缓解了传统神经网络的缺点，在分类问题上拥有着强大的性能。但是随着研究者们不断的研究，多项式神经网络的问题也逐渐凸显，例如泛化性较弱、随机性问题难以解决等，这些问题在一定程度上影响了多项式神经网络在分类任务上的性能。

技术实现思路

1、本发明的目的是为克服上述的技术缺点和不足，提供了一种基于随机重采样多项式设逆境网络的分类方法。

2、本发明采用的技术方案如下：

3、基于随机重采样多项式神经网络的分类方法，包括以下步骤：

4、第1步、使用随机重采样算法对所需分类的数据集进行预处理，然后按比例将其划分为训练样本集和测试样本集；

5、第2步、使用基于有理二次核函数的核主成分分析降低样本集的特征数量；

6、第3步、使用训练样本集构造随机重采样多项式神经网络的结构；

7、第4步、将测试样本集输入至随机重采样多项式神经网络中，并输出分类结果；

8、第5步、根据输出的分类结果计算分类精度。

9、第1步：使用随机重采样算法对所需分类的数据集进行预处理，然后按比例将其划分为训练样本集和测试样本集，具体步骤如下：

10、第1.1步、使用基于bagging方法的随机重采样算法，在原样本集的基础上重新构造新的样本集；

11、第1.2步、将样本集划分为训练样本集和测试样本集，其中，训练样本集占比60％，测试样本集占比40％。

12、第2步：使用基于有理二次核函数的核主成分分析降低样本集的特征数量，具体步骤如下：

13、第2.1步、降低训练样本集的特征数量，具体步骤如下：

14、第2.1.1步、对于所划分的训练样本集xtr，对其进行标准化处理；

15、第2.1.2步、确认核主成分分析所使用的核函数k(x,y)为有理二次核函数，并确定有理二次核函数的超参数σ；

16、

17、第2.1.3步、使用有理二次核函数计算训练样本集的核矩阵ktr；

18、第2.1.4步、计算核矩阵的增广矩阵ktr'；

19、ktr'＝ktr-aktr-ktra+aktra

20、第2.1.5步、计算增广矩阵k'的特征值与其所对应的特征向量，保留特征值较大的特征向量，并组成特征向量矩阵；

21、第2.1.6步、将训练样本集投影到特征向量矩阵上，输出最终的训练样本集；

22、第2.2步、降低测试样本集的特征数量，具体步骤如下：

23、第2.2.1步、对于所划分的测试样本集xte，对其进行标准化处理；

24、第2.2.2步、确认核主成分分析所使用的核函数k(x,y)为有理二次核函数，并确定有理二次核函数的超参数σ；

25、

26、第2.1.3步、使用有理二次核函数计算测试样本集的核矩阵kte；

27、第2.1.4步、计算核矩阵的增广矩阵kte'；

28、kte'＝kte-aktr-ktra+aktra

29、第2.1.5步、计算增广矩阵k'的特征值与其所对应的特征向量，保留特征值较大的特征向量，并组成特征向量矩阵；

30、第2.1.6步、将测试样本集投影到特征向量矩阵上，输出最终的测试样本集。

31、第3步：使用训练样本集构造随机重采样多项式神经网络的结构，具体步骤如下；

32、第3.1步、选择随机重采样多项式神经元的多项式结构；

33、第3.2步、将测试样本集输入至神经元中的多项式中，输出存在未知系数的多项式组；

34、第3.3步、使用最小二乘法和多项式组对多项式的未知系数进行估计；

35、第3.4步、根据多项式的结构以及测试样本集的数量，确认随机重采样多项式神经元的数量和随机重采样多项式神经网络的拓扑结构。

36、第4步：将测试样本集输入至随机重采样多项式神经网络中，并输出分类结果，具体步骤如下；

37、第4.1步、将测试样本集作为随机重采样多项式神经网络的输入；

38、第4.2步、根据所确定的多项式结构，输出每个测试样本集属于每一类的标签值；

39、第4.3步、根据所输出的各类标签值大小，判断相应测试样本属于的类别；

40、第4.4步、输出分类结果。

41、第5步：根据输出的分类结果计算分类精度，具体步骤如下：

42、第5.1步、根据分类结果计算分类精度ar；

43、

44、第5.2步、输出分类精度。

45、本发明的优点和有益效果

46、本发明进一步对多项式神经网络进行优化，通过结合随机重采样算法和核主成分分析法，使得模型提升了应对随机性问题的能力，降低问题的规模，提升模型的运行速度。使用六个国际标准数据集进行测试，结果表明，该发明能够有效缓解多项式神经网络在处理随机性问题时所遇到的问题，进一步提升了模型分类的准确度。

技术特征：

1.一种基于随机重采样多项式神经网络的分类方法，包括以下步骤：

2.根据权利要求1所述的基于随机重采样多项式神经网络的分类方法，其特征在于：第1步所述的使用随机重采样算法对所需分类的数据集进行预处理，然后按比例将其划分为训练样本集和测试样本集，具体步骤如下：

3.根据权利要求1所述的基于随机重采样多项式神经网络的分类方法，其特征在于：第2步所述的使用基于有理二次核函数的核主成分分析降低样本集的特征数量，具体步骤如下：

4.根据权利要求1所述的基于随机重采样多项式神经网络的分类方法，其特征在于：第3步所述的使用训练样本集构造随机重采样多项式神经网络的结构，具体步骤如下；

5.根据权利要求1所述的基于随机重采样多项式神经网络的分类方法，其特征在于：第4步所述的将测试样本集输入至随机重采样多项式神经网络中，并输出分类结果，具体步骤如下；

6.根据权利要求1所述的基于随机重采样多项式神经网络的分类方法，其特征在于：第5步所述的根据输出的分类结果计算分类精度，具体步骤如下：

技术总结
本发明提出了一种基于随机重采样多项式神经网络的分类方法。本发明通过以下步骤实现分类：首先使用随机重采样算法对所需分类的数据集进行预处理，然后按比例将其划分为训练样本集和测试样本集；接着使用基于有理二次核函数的核主成分分析降低样本集的特征数量；然后使用训练样本集构造随机重采样多项式神经网络的结构；之后将测试样本集输入至随机重采样多项式神经网络中，并输出分类结果；最后根据输出的分类结果计算分类精度。使用国际标准数据集中的Glass、Iris、Ionosphere、Wine、WDBC、Zoo这六个数据集对其分类性能进行检验，与传统的多个分类模型相比，实验结果显示本发明所提出的方法在分类问题上的准确度有较明显的提高。

技术研发人员：黄玮,翟科,徐志磊
受保护的技术使用者：北京理工大学
技术研发日：
技术公布日：2024/2/8