[发明专利]对多方式隐式语义分析数据进行数据挖掘映射的方法

说明书

技术领域

本发明涉及生物识别技术领域，尤其是对多方式隐式语义分析数据进行数据挖掘映射的方法。

背景技术

目前，我国60岁以上人口达1.8亿人，约占总人口13.8％，按国际标准衡量，我国已进入了老年型社会，随着国家大力加快建立和完善覆盖城乡居民的社会保障体系，如社会养老保险金的发放、企业年金、医疗保险等，老龄用户将成为未来社会公共服务的主要群体，社会养老保险金、企业年金等发放过程中存在欺骗、冒领现象成为现今社会普遍关注的问题，信息化、数字化、网络技术为解决老龄用户身份认证困局提供了帮助。目前，生物特征识别技术、远程视频认证已经被成功应用到核实社会养老金冒领现象中老龄用户的身份。

生物特征识别技术通过利用人体固有的生理特征和行为动作来进行身份识别和验证。根据使用生物特征的种类和数目，生物特征识别可以分为单生物特征识别和多生物特征识别，作为使用最广的单生物识别身份认证技术，指纹识别在解决老龄用户社会养老金发放时身份认证的问题已受到广泛关注。早在1901年，英国已开始应用指纹识别来避免铁路工人冒领、多领薪金。目前，相关公司如IBM、Microsoft、HP、Compaq、长春鸿达、杭州中正等公司的产品已经进入社会服务领域。我国劳动和社会保障部社会保险事业管理中心发布的《支付养老金指纹身份认证系统技术规范(试行)》也将基于细节点(minutiae)的指纹识别方法作为社会公共服务标准予以颁布，但是，对老龄用户来说，由于久经风霜，模糊手指很常见，传统的基于细节点的指纹识别系统往往会因为提取细节点不理想而导致系统误识率增加甚至认证失效。此外，基于单生物特征的识别技术存在着不普遍性：某些生物特征缺失(如断手指)、损伤(如受损手指)、病变(如白内障)或特征采集质量较差(如人脸光线变化)都会导致识别系统的鲁棒性、可靠性差，防欺骗性弱，难以满足不同场合的实际要求。

图像隐式语义特征(Image Latent Semantic Features，ILSF)由底层特征-图像矩阵获得，具有比传统意义上的图像语义更加丰富的信息，但是相对与底层特征来说，这些特征具有更强的表达和分类能力。因此，利用TLSA提取的特征可以作为一种“独特”的特征，并被证明能运用在生物特征身份认证领域。同时，相比传统的底层特征，由于间接用来描述图像，图像隐式语义特征对于采集图像的质量要求并不是很高，可以更好的克服某些不利因素带来的影响，比如指纹的图像纹线模糊，以及人脸光照变化的影响。

发明内容

本发明要解决的技术问题是：为了克服上述中存在的问题，提供一种能够快速获取图像隐式语义特征的对多方式隐式语义分析数据进行数据挖掘映射的方法。

本发明解决其技术问题所采用的技术方案是：一种对多方式隐式语义分析数据进行数据挖掘映射的方法，其具体步骤如下：

a.剪枝算法分析：初始化模糊神经网络的网络结构预定义参数，输入第一组特征向量，产生第一条模糊规则，对任意输入特征向量计算其与第一组特征向量的距离，得出最小值d_min，从而计算出实际的输出误差e_i，如果误差e_i大于规则重要性阙值f，则产生新的模糊规则，从而调整网络结构参数；

b.提取图像隐式语义特征：包括离线学习阶段和在线测试阶段。

所述的离线学习阶段是通过学习样本用来训练模糊神经网络并采用剪枝算法对模糊神经网络的网络结构做动态调整。

所述的在线测试阶段是利用训练好的模糊神经网络对测试样本进行测试，从而提取图像隐式语义。

本发明的对多方式隐式语义分析数据进行数据挖掘映射的方法的有益效果是：通过“智能黑箱模型”进一步对处理后的特征进行挖掘映射，能够有效地获取图像隐式语义特征，此方法采集质量好和可靠性强，能够满足不同场合的实际要求。

具体实施方式

本发明的对多方式隐式语义分析数据进行数据挖掘映射的方法，其具体步骤如下：

a.剪枝算法分析：步骤1：初始化FNN的网络结构预定义参数(如收敛常数a、衰减常数b、最小误差e、规则重要性阈值f)，输入第一组特征向量，产生第1条模糊规则(if-then方式)；