(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111356908.2 (22)申请日 2021.11.16 (71)申请人 苏州大学 地址 215000 江苏省苏州市吴中区石湖西 路188号 (72)发明人 张莉　苏畅之　赵雷　王邦军　 (74)专利代理 机构 苏州市中南伟业知识产权代 理事务所(普通 合伙) 32257 代理人 吴竹慧 (51)Int.Cl. H04L 9/40(2022.01) H04L 41/16(2022.01) G06K 9/62(2022.01) (54)发明名称 面向网络数据流分类的在线稀疏学习方法 及系统 (57)摘要 本发明涉及一种面向网络数据流分类的在 线稀疏学习方法， 包括以下步骤： S1、 构建数据缓 冲池， 向数据缓冲池中输入预设数量的带标签数 据流序列， 获得初始模型函数； S2、 当数据缓冲池 接收到带标签的流数据， 则利用梯度下降法求解 该带标签的流数据的目标函数并更新模型参数； S3、 当新的带标签的流数据小于数据缓冲池的容 量， 则将新的带标签的流数据加入到缓冲池中， 转至S2； 否则， 继续下一步； S4、 采用核匹配追踪 算法重新分配模型参数以保证模型参数的系数 性； S5、 采用更新后的模型对无标签流数据进行 预测和分类。 本发明的在线支持向量机在线学习 效率高， 模型 更新效果 好， 能够产生稀疏模型。 权利要求书2页 说明书8页 附图2页 CN 114070621 A 2022.02.18 CN 114070621 A 1.一种面向网络数据流分类的在线稀疏 学习方法， 其特 征在于， 包括以下步骤： S1、 构建数据缓冲池， 向所述数据缓冲池中输入预设数量的带标签数据流序列， 获得初 始模型函数； S2、 当数据缓冲池没有接收到新的带标签的流数据， 则模型训练结束； 当数据缓冲池接 收到带标签的流数据， 则利用梯度下降法求解该带标签的流数据的目标函数并更新模型参 数， 其中， 所述目标函数基于初始模型函数构建； S3、 当新的带标签的流数据小于数据缓冲池的容量， 则将新的带标签的流数据加入到 缓冲池中， 转至S2； 否则， 继续下一 步； S4、 采用核匹配追踪算法重新分配模型参数以保证模型参数的系数性， 转至S2并继续 对模型进行训练， 获得 更新后的模型； S5、 采用更新后的模型对无 标签流数据进行 预测和分类。 2.根据权利要求1所述的面向网络数据流分类的在线稀疏学习方法， 其特征在于， 所述 S2与S3之间还 包括： 剔除所述数据缓冲池中噪声流数据。 3.根据权利要求1所述的面向网络数据流分类的在线稀疏学习方法， 其特征在于， 所述 剔除所述数据缓冲池中的噪声流数据， 包括： 当一个流数据多次被异流数据选为近邻且不被同类流数据选为近邻， 则判定该流数据 为噪声流数据， 剔除所述数据缓冲池中的噪声流数据。 4.根据权利要求1所述的面向网络数据流分类的在线稀疏学习方法， 其特征在于， 所述 S1包括： S11、 构建数据缓冲池， 清空所述数据缓冲池， 用l表示所述数据缓冲池的容 量大小； S12、 向所述数据缓冲池中输入预设数量的带标签数据流序列， 令当前到达模型的流数 据形式为 其中， yt为流数据xt的标签， d为 流数据的特 征数量； S13、 在数据缓冲池中累积了k(k≤l)个流数据后， 令模型函数的形式为： 其中， K(xi， x)是核函数， α ＝[α1， α2， ...， αk]T∈Rk为模型参数， 其值被随机初始化， xi为 数据缓冲池中的第i个流数据， αi为其对应的模型参数α 中的第i维数据， x为无标签待预测 流数据。 5.根据权利要求4所述的面向网络数据流分类的在线稀疏学习方法， 其特征在于， 所述 S2中， 当数据缓冲池接 收到带标签的流数据， 则利用梯度下降法求解该带标签的流数据的 目标函数并更新模型参数， 包括： 当接收到带 标签的流数据(xt， yt)(t＞k)， 利用随机梯度下降法求 解如下的目标函教： 其中， 表示取0和 之间的较大值， 表示当前流数据xt对应的缓冲池中异类最近邻流数据， 表示当前流数据xt对应的缓 冲池中同类最近邻流数据， λ1和 λ2为正则项系数； 令更新后的模型参数为α ＝[α1， α2， ...， αt权　利　要　求　书 1/2 页 2 CN 114070621 A 2]T∈Rt。 6.根据权利要求1所述的面向网络数据流分类的在线稀疏学习方法， 其特征在于， 所述 S5包括： 当接收到无 标签的数据流时， 采用更新后的模型计算无 标签的数据流的模型函数值； 基于无标签的数据流的模型函数值， 使用预设规则对无标签的数据流进行预设并分 类。 7.根据权利要求5所述的面向网络数据流分类的在线稀疏学习方法， 其特征在于， 所述 S5具体包括： 当模型接收到无 标签流数据x时， 根据无 标签流数据x计算模型函数的值： 其中， xi为缓冲池中的流数据， K为核函数， αi为其对应的模型参数α 中的第i维数据； 按照如下规则对无 标签的流数据进行 预测并分类： 8.一种面向网络数据流分类的在线稀疏 学习系统， 其特 征在于， 包括： 预处理模块， 所述预处理模块用于构建数据缓冲池， 向所述数据缓冲池中输入预设数 量的带标签数据流序列， 获得初始模型函数； 训练模块， 当数据缓冲池接收到带标签的流数据， 训练模块利用 梯度下降法求解该带 标签的流数据的目标函数并更新模型参数， 当新的带标签的流数据小于数据缓冲池的容 量， 则将新的带标签的流数据加入到缓冲池中， 使用训练模块继续训练， 否则， 采用核匹配 追踪算法重新分配模型参数以保证模型参数的系数性； 预测模块， 所述预测模块采用更新后的模型对无 标签流数据进行 预测和分类。 9.根据权利要求8所述的面向网络数据流分类的在线稀疏学习系统， 其特征在于， 还包 括： 噪声流数据剔除模块， 所述噪声流数据剔除模块用于剔除缓冲池中的噪声流数据。 10.根据权利要求9所述的面向网络数据流分类的在线稀疏学习系统， 其特征在于， 所 述噪声流数据剔除的标准为： 当一个流数据多次被异流数据选为近邻且不被同类流数据选 为近邻， 则判定该流数据为噪声流数据， 剔除所述数据缓冲池中的噪声流数据。权　利　要　求　书 2/2 页 3 CN 114070621 A 3