一种基于支持向量机多核协作的情绪辨识分类方法与流程

技术特征：
1.一种基于支持向量机多核协作的情绪辨识分类方法，其特征在于，所述方法包括：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。2.根据权利要求1所述的一种基于支持向量机多核协作的情绪辨识分类方法，其特征在于，采用hold
‑
out方法将样本数据分为训练样本和测试样本。3.根据权利要求1或2所述的一种基于支持向量机多核协作的情绪辨识分类方法，其特征在于，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。4.根据权利要求3所述的一种基于支持向量机多核协作的情绪辨识分类方法，其特征在于，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：其中，m表示最高票的票数，w
i
表示相应决策值n
i
的有效性；按每票的有效值，若票值中存在有效性小于p％的票，判定为无效票，反之为有效票；评估各核整体的投票环境，判定依据如下：各核的有效票数不等时，投出有效票值多的核函数所决策出的预测标签；各核的有效票数相等时，依据各核的决策值，计算各自的均方差，投出差值小的核函数所决策出的预测标签；输出最终的预测标签。5.根据权利要求1至4任一项所述的一种基于支持向量机多核协作的情绪辨识分类方法，其特征在于，样本数据的生成方法包括：获取预处理生理信号；根据信号特性，提取所需要的特征并作归一化处理，生成样本数据。6.根据权利要求5所述的一种基于支持向量机多核协作的情绪辨识分类方法，其特征在于，预处理生理信号的方法包括：提取相关生理信号，降低采样频率，去除基线和眼电伪迹并对各类生理信号进行数据划分。7.根据权利要求5或6所述的一种基于支持向量机多核协作的情绪辨识分类方法，其特征在于，提取所需要的特征包括：
几何平均、调和平均、峭度、最大值、平均值、中值、最小值、阈值、斜度、标准差和方差。8.根据权利要求7所述的一种基于支持向量机多核协作的情绪辨识分类方法，其特征在于，采用数据平滑处理和去趋势的方式进行特征提取。9.根据权利要求8所述的一种基于支持向量机多核协作的情绪辨识分类方法，其特征在于，所述数据平滑处理和去趋势的方式包括：移动标准差移动方差移动均值移动中位数mmad＝median(|a
i
‑
median(a)|)；其中，a是一个移动的向量，向量的长度为n，a
i
表示a中第i个向量值，μ表示均值。

技术总结
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。少了传统的支持向量机单核作用的局限性。少了传统的支持向量机单核作用的局限性。


技术研发人员：潘礼正 王顺超 赵路 丁忆
受保护的技术使用者：常州大学
技术研发日：2021.07.09
技术公布日：2021/10/28