技術(shù)特征：

1.一種基于多元多項(xiàng)式擬合的支持向量機(jī)模型近似方法，其特征在于，包括以下步驟：

步驟一：給定訓(xùn)練數(shù)據(jù)集T＝{(x_i,y_i)|i＝1,2,…,l}，其中，l為訓(xùn)練數(shù)據(jù)集T中樣本數(shù)據(jù)的個(gè)數(shù)，x_i是n維樣本數(shù)據(jù)，y_i是與x_i對(duì)應(yīng)的類別標(biāo)簽，y_i∈{-1,1}；利用訓(xùn)練數(shù)據(jù)集中數(shù)據(jù)訓(xùn)練支持向量機(jī)，得到傳統(tǒng)的支持向量機(jī)模型其中，α_i^*和b^*分別是拉格朗日系數(shù)和偏置量；K(x_i,x₀)為核函數(shù)；x₀為未知類別標(biāo)簽的n維輸入數(shù)據(jù)，x₀＝[x₀₁,x₀₂,…,x_0n]，其中，x_0k為x₀的第k維分量，k＝1,…,n；y是模型輸出的與x₀對(duì)應(yīng)的類別標(biāo)簽；

步驟二：將訓(xùn)練數(shù)據(jù)集T中的樣本數(shù)據(jù)x_j(j＝1,2,…,l)依次代入支持向量機(jī)模型y，計(jì)算核函數(shù)部分的輸出將得到的l個(gè)函數(shù)值記為數(shù)值序列F＝[f(x₁),f(x₂),…,f(x_l)]；

步驟三：采用多元多項(xiàng)式擬合方法，利用訓(xùn)練數(shù)據(jù)集T中樣本數(shù)據(jù)和步驟二所得數(shù)值序列F建立超定方程組，求解超定方程組得到多元多項(xiàng)式的系數(shù)α；

步驟四：利用步驟三中求解得到的多元多項(xiàng)式的系數(shù)α與未知類別標(biāo)簽的n維輸入數(shù)據(jù)x₀構(gòu)建多項(xiàng)式，替代支持向量機(jī)模型y的核函數(shù)部分，得到近似的支持向量機(jī)模型y'＝sgn[X'α+b^*]；其中，

d為多元多項(xiàng)式的次數(shù)，

α＝(α₀,α₁₁,…,α_1n,…,α_d1,…,α_dn)^T為多元多項(xiàng)式的系數(shù)。

2.根據(jù)權(quán)利要求1所述的基于多元多項(xiàng)式擬合的支持向量機(jī)模型近似方法，其特征在于，所述步驟一中傳統(tǒng)的支持向量機(jī)模型y的訓(xùn)練方法如下：

對(duì)訓(xùn)練數(shù)據(jù)集T，求解最優(yōu)分類超平面(ω·x)+b＝0，使得不同類別的樣本數(shù)據(jù)分開(kāi)并保證分類間隔最大；其中，ω為分類超平面的法向量，b是分類超平面的偏移量；

當(dāng)樣本數(shù)據(jù)線性可分時(shí)，將求解最優(yōu)分類超平面的問(wèn)題轉(zhuǎn)化為求解如下二次規(guī)劃問(wèn)題：

$\left\{\begin{array}{cc}\underset{{\mathrm{\α}}_i}{\min }& \[\frac{1}{2}\underset{i=1}{\overset{l}{\Σ}}\underset{j=1}{\overset{l}{\Σ}}{y}_i{y}_j\<x_i,x_j\>{\mathrm{\α}}_i{\mathrm{\α}}_j-\underset{j=1}{\overset{l}{\Σ}}{\mathrm{\α}}_j\]\\ s.t.& \underset{i=1}{\overset{l}{\Σ}}{y}_i{\mathrm{\α}}_i=0,\\ & 0\≤{\mathrm{\α}}_i\≤C,i=1,\mathrm{...},l.\end{array}\right.---\left(1\right)$

其中，<x_i,x_j>為兩個(gè)n維樣本數(shù)據(jù)x_i和x_j的內(nèi)積，即<x_i,x_j>＝x_i·x_j；α_i為引入的拉格朗日系數(shù)，C是一個(gè)正常數(shù)，稱為懲罰因子，用來(lái)權(quán)衡最大化分類間隔和最小誤差；

解式(1)得到最終的決策函數(shù)，即支持向量機(jī)模型y為：

$y=sgn\&lsqb;\underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i^{*}{y}_i\&lt;x_i,x_0\&gt;+b^{*}\&rsqb;$

其中，α_i^*和b^*通過(guò)(1)式求解；α_i^*為使min后的函數(shù)值最小的α_i的取值；選取正的支持向量x_j，則這種情況下x_i與x₀的內(nèi)積<x_i,x₀>視為核函數(shù)K(x_i,x₀)；

當(dāng)樣本數(shù)據(jù)線性不可分時(shí)，支持向量機(jī)通過(guò)引入核函數(shù)K將樣本數(shù)據(jù)映射到高維特征空間，然后在高維特征空間內(nèi)進(jìn)行分類；將其最優(yōu)分類超平面的求解問(wèn)題轉(zhuǎn)化為求解如下二次規(guī)劃問(wèn)題：

$\left\{\begin{array}{cc}\underset{{\mathrm{\&alpha;}}_i}{\min }& \&lsqb;\frac{1}{2}\underset{i=1}{\overset{l}{\&Sigma;}}\underset{j=1}{\overset{l}{\&Sigma;}}{y}_i{y}_{j}K(x_i,x_j){\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j-\underset{j=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_j\&rsqb;\\ s.t.& \underset{i=1}{\overset{l}{\&Sigma;}}{y}_i{\mathrm{\&alpha;}}_i=0,\\ & 0\&le;{\mathrm{\&alpha;}}_i\&le;C,i=1,\mathrm{...},l\end{array}\right.---\left(2\right)$

由式(2)得到最終的決策函數(shù)，即支持向量機(jī)模型y為：

$y=sgn\&lsqb;\underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i^{*}{y}_{i}K(x_i,x_0)+b^{*}\&rsqb;$

其中，α_i^*和b^*通過(guò)(2)式求解；α_i^*為使得min后函數(shù)值最小的α_i的取值；選取正的支持向量x_j，則

3.根據(jù)權(quán)利要求2所述的基于多元多項(xiàng)式擬合的支持向量機(jī)模型近似方法，其特征在于，在步驟一中訓(xùn)練支持向量機(jī)時(shí)，需選擇使得支持向量機(jī)性能最佳的核函數(shù)類型，選擇方法如下：

應(yīng)用驗(yàn)證方法，從支持向量機(jī)中常用的支持核函數(shù)中選取核函數(shù)，即將核函數(shù)分別帶入進(jìn)行實(shí)驗(yàn)找到使支持向量機(jī)性能最優(yōu)的核函數(shù)。

4.根據(jù)權(quán)利要求3所述的基于多元多項(xiàng)式擬合的支持向量機(jī)模型近似方法，其特征在于，在步驟一中訓(xùn)練支持向量機(jī)時(shí)，需選擇使得支持向量機(jī)性能最優(yōu)的支持向量機(jī)參數(shù)，包括核函數(shù)參數(shù)及懲罰因子C，其選擇方法如下：

采用網(wǎng)格搜索的參數(shù)尋優(yōu)方法對(duì)核函數(shù)參數(shù)及懲罰因子C進(jìn)行選擇，讓支持向量機(jī)參數(shù)在一定范圍內(nèi)取值變化；對(duì)于取定的參數(shù)，利用K-CV方法得到該組參數(shù)的分類準(zhǔn)確率，最終選擇使得測(cè)試集分類準(zhǔn)確率最高的那組參數(shù)作為模型的參數(shù)。

5.根據(jù)權(quán)利要求4所述的基于多元多項(xiàng)式擬合的支持向量機(jī)模型近似方法，其特征在于，步驟三中關(guān)于超定方程組的建立方法如下：

設(shè)n維數(shù)據(jù)x_j＝(x_j1,…,x_jn)，則x_j^d＝(x_j1^d,…,x_jn^d)；由訓(xùn)練數(shù)據(jù)集T中n維樣本數(shù)據(jù)x_j和由步驟二得到的f(x_j)構(gòu)造多元多項(xiàng)式方程：

$f\left(x_j\right)={\mathrm{\&alpha;}}_0+{\mathrm{\&alpha;}}_{11}{x}_{j1}+...+{\mathrm{\&alpha;}}_{1n}{x}_{jn}+...+{\mathrm{\&alpha;}}_{d1}{x}_{j1}^d+...+{\mathrm{\&alpha;}}_{dn}{x}_{jn}^d$

其中，x_j1,…,x_jn分別為x_j的n個(gè)元素的值；d為多元多項(xiàng)式次數(shù)，l>>dn；

由訓(xùn)練數(shù)據(jù)集T的l個(gè)樣本數(shù)據(jù)得到l個(gè)多元多項(xiàng)式方程；將l個(gè)多元多項(xiàng)式方程組成超定方程組，并寫(xiě)作矩陣形式，有：

F＝X·α

其中，是以l個(gè)n維樣本數(shù)據(jù)的各維分量的各次冪為元素組成的矩陣。

6.根據(jù)權(quán)利要求5所述的基于多元多項(xiàng)式擬合的支持向量機(jī)模型近似方法，其特征在于，步驟三中多元多項(xiàng)式次數(shù)是可變的；對(duì)同一訓(xùn)練數(shù)據(jù)集，根據(jù)選擇的多項(xiàng)式次數(shù)的不同，構(gòu)造不同的超定方程組，利用最小二乘法求出超定方程組的解，即多元多項(xiàng)式系數(shù)α的值。

7.一種基于多元多項(xiàng)式擬合的支持向量機(jī)模型近似方法的應(yīng)用，其特征在于，將步驟四得到的近似的支持向量機(jī)模型y’應(yīng)用于基于經(jīng)濟(jì)型CPU平臺(tái)的系統(tǒng)，對(duì)未知類別標(biāo)簽的輸入數(shù)據(jù)進(jìn)行在線分類，得到其類別標(biāo)簽。

8.根據(jù)權(quán)利要求7所述的基于多元多項(xiàng)式擬合的支持向量機(jī)模型近似方法的應(yīng)用，其特征在于，在基于經(jīng)濟(jì)型CPU平臺(tái)的系統(tǒng)上使用近似的支持向量機(jī)模型時(shí)，近似模型中多項(xiàng)式函數(shù)的階次的選擇方法如下：

首先選擇使得測(cè)試集分類準(zhǔn)確率最高的近似支持向量機(jī)模型，利用與具體硬件對(duì)應(yīng)的系統(tǒng)仿真器或仿真軟件檢測(cè)系統(tǒng)硬件所能提供的資源是否滿足該模型計(jì)算所需條件；若其所需超過(guò)了系統(tǒng)硬件所能提供的資源，則將近似的支持向量機(jī)模型中的多元多項(xiàng)式的次數(shù)降低一次，直至近似模型的計(jì)算資源需求小于系統(tǒng)可提供的資源。