一种高斯过程多分类器的构造方法及装置的制造方法
【技术领域】
[0001] 本发明涉及电子信息技术领域，尤其涉及一种高斯过程多分类器的构造方法及装 置。
【背景技术】
[0002] 在机器学习、模式识别等课题中，分类和回归问题是重要的研究方向。当前最为常 用的分类方法是基于核函数的分类算法，尤其是基于核函数的高斯过程分类算法。具体来 说，高斯过程模型是基于核函数和概率判别的贝叶斯机器学习模型，可有效地应用于解决 回归、分类的问题。相对于其他的核函数分类器来说，高斯过程分类器的优势在于采用概率 模型，输出的是概率而不是确定的值；且高斯分类器是无参数模型，即研究者不需要手动选 择高斯分类器的参数，高斯过程分类器在运行高斯过程模型时，参数可以在算法的求解过 程中自动获得。
[0003] 但是，目前的高斯过程分类器只可以用于解决二分类问题，不能直接用于解决多 分类的问题，同时在很多场景中，需要进行分类处理的样本类别数均大于2。因此进一步设 计了一对多方法的高斯过程多分类器，例如 ：Urtasun使用一对多方法构建高斯过程多分 类器，用来解决样本的多分类问题；国内也提出了基于一对多的高斯过程多分类算法，取得 了比SVM多分类算法更高的识别率。
[0004] 但是目前已有的一对多高斯过程多分类器，在训练每个二分类器时需要将所有的 训练样本作为输入，所以分类器构建时间很长，造成整个分类过程耗时较长；另外，一对多 高斯多分类器在训练样本类别比较多的时候会出现训练均衡性较差问题。
【发明内容】
[0005] 本发明的实施例提供一种高斯过程多分类器的构造方法及装置，能够减少分类过 程的耗时并避免训练均衡性较差问题。
[0006] 为达到上述目的，本发明的实施例采用如下技术方案：
[0007] 第一方面，本发明的实施例提供一种高斯过程多分类器的构造方法，包括：
[0008] 将训练样本两两组合，并对每种组合通过高斯过程二分类算法进行训练，并得到 高斯二分类器，其中，每种组合包括两个训练样本，且对应一个高斯二分类器；
[0009] 运行得到的所有高斯二分类器，依次对测试样本进行分类判定；
[0010] 在所判定出的所有类别中，提取测试样本的类别结果，其中，判定出所述测试样本 的类别结果的高斯二分类器的数量，大于判定出其他类别的高斯二分类器的数量。
[0011] 第二方面，本发明的实施例提供一种高斯过程多分类器的构造装置，包括：
[0012] 训练模块，用于将训练样本两两组合，并对每种组合通过高斯过程二分类算法进 行训练，并得到高斯二分类器，其中，每种组合包括两个训练样本，且对应一个高斯二分类 器；
[0013] 分类判定模块，用于运行得到的所有高斯二分类器，依次对测试样本进行分类判 定；
[0014] 结果输出模块，用于在所判定出的所有类别中，提取测试样本的类别结果，其中， 判定出所述测试样本的类别结果的高斯二分类器的数量，大于判定出其他类别的高斯二分 类器的数量。
[0015] 本发明实施例提供的高斯过程多分类器的构造方法及装置，通过利用一对一方法 构建了高斯过程多分类器，将高斯过程二分类器扩展成多分类器，改进目前已有的一对多 高斯过程分类器存在的不足，提出了基于一对一方法的高斯过程多分类器。将训练样本进 行两两组合，并将组合得到训练样本作为两类输入训练得到对应的高斯二分类器，在分类 阶段，采用投票法对测试样本进行投票，票数最多的类别即判为测试样本的类别数，可以降 低每个分类器的输入样本个数，大大提高分类器的分类速度，并且解决了训练样本均衡性 较差的问题。
【附图说明】
[0016] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的 附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领 域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附 图。
[0017] 图1为本发明实施例提供的高斯过程多分类器的构造方法的流程图；
[0018] 图2、图3、图4为本发明实施例提供的具体实例中的数据曲线图；
[0019] 图5为本发明实施例提供的高斯过程多分类器的构造装置的结构示意图。
【具体实施方式】
[0020] 为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方 式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示 例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类 似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能 解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形 式"一"、"一个"、"所述"和"该"也可包括复数形式。应该进一步理解的是，本发明的说明书 中使用的措辞"包括"是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除 存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解， 当我们称元件被"连接"或"耦接"到另一元件时，它可以直接连接或耦接到其他元件，或者 也可以存在中间元件。此外，这里使用的"连接"或"耦接"可以包括无线连接或耦接。这里 使用的措辞"和/或"包括一个或更多个相关联的列出项的任一单元和全部组合。本技术 领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语） 具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如 通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义， 并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0021] 需要说明的是，在本发明实施例中，高斯过程多分类器的构造方法的具体实现流 程，以及通过该方法得到的高斯过程多分类器可以在计算设备，例如：计算机、服务器、工作 站等设备上执行，
[0022] 本发明实施例提供一种高斯过程多分类器的构造方法，如图1所示，包括：
[0023] 101，将训练样本两两组合，并对每种组合通过高斯过程二分类算法进行训练，并 得到高斯二分类器。
[0024] 其中，每种组合包括两个训练样本，且对应一个高斯二分类器。在本实施例中，训 练样本被用于计算设备训练得到高斯二分类器，通常在训练样本集合中至少包括3个被用 于训练的样本。训练样本两两组合可以理解为从训练样本集合中随机提取两个训练样本作 为一个组合。例如：若在训练样本集合中包括k类训练样本，则可以得到(::丨=Λ(々 -?)/2种 训练样本的组合，又由于每种组合通过高斯过程二分类算法进行训练得到一个对应的高斯 二分类器，则可以得到（?=((/:-1)/2个高斯二分类器。
[0025] 需要说明的是，在本实施例中，"一类训练样本"也可称为"一个训练样本"，即在本 实施例的高斯二分类器的实际应用中，训练样本之间通过类别进行区分。
[0026] 102,运行得到的所有高斯二分类器，依次对测试样本进行分类判定。
[0027] 在本实施例中，测试样本即为训练得到的高斯二分类器所测试的对象，对于一 个测试样本，将所有高斯二分类器以此针对这一个测试样本进行分类判定。例如：得到 G:=.々(Λ-1)/2个高斯二分类器，则对于测试样本