[发明专利]一种基于类间判别的矩阵分类模型

说明书

本发明提供一种基于类间判别的矩阵分类模型，首先采集数据集，将采集到的样本转化成矩阵型的样本，其次构造正则化项。之后将正则化项引入MatMHKS中，并产生一个新的面向矩阵模式分类模型CBCMatMHKS，并用训练集训练该新模型，为了获得模型的最优解我们使用梯度下降法求解模型CBCMatMHKS。然后使用测试集对获得的最优解进行测试，进而得到最优的决策函数。最后使用最优的决策函数对输入的需要判断类别的矩阵样本进行计算，根据输出的结果对此矩阵样本进行分类。相较于传统的矩阵分类模型，本发明的方法通过引入类间的判别信息，使用簇心来代表某一区域的样本来让不同类别的样本局部的之间的距离最大化，提高了其分类正确率。

技术领域

本发明涉及模式识别领域，尤其是涉及一种基于类间判别矩阵学习机模型的方法。

背景技术

目前大多数的分类器只能够处理向量型的样本，而对于矩阵型的样本需要将其转换为向量型的样本才可以进行处理。例如一张人脸图片，向量型的分类器需要先把其转化为向量型的样本后才能对其进行处理，但是这就在一定程度上丢失了单个样本内部的结构判别信息。而面向矩阵模式分类器设计方法可以直接对矩阵型样本进行分类处理。同时实验表明，面向矩阵模式分类器设计方法在一定程度上能够有效的提升面向向量化分类器设计方法的性能。

原始矩阵模式分类器设计方法忽略了类别间的判别信息，其中比较典型的线性算法是MatMHKS(Matrix-pattern-oriented Ho-Kashyap Classifier)。目前在基于矩阵模式分类器设计领域中还没有方法克服这一不足。因此，我们提出了一个新的正则化项R_BC向矩阵模式分类器设计方法引入类间判别信息。我们通过最大化类间的距离来构造正则化项R_BC，先使用聚簇算法对每一类样本分别进行聚簇并获取簇心，然后使不同类的簇心之间在投影空间的距离最大化。

把R_LsD引入到双边矩阵型分类器MatMHKS上，从而产生了一个新的分类算法CBCMatMHKS。CBCMatMHKS不仅可以获取类间的判别信息，而且还提高了MatMHKS的分类精确度。

发明内容

针对现有的面向矩阵模式分类器设计方法没有考虑到矩阵模式之间的类间判别信息的问题，本发明的解决方案是在原有的面向矩阵模式分类器设计的框架上设计一个新的正则化项来考虑类间的判别信息，从而产生局部敏感判别矩阵学习模型。我们将此框架应用到我们以前的工作MatMHKS上，并命名为CBCMatMHKS，并使用梯度下降法对其进行求最优解，该算法不仅能够有效的引入类间的判别信息，而且还能够提高分类正确率。由于该模型采用的是一对一和投票的方法，所以对于类别数为M的数据集，可以将其转化为M(M-1)/2个二分类问题。

本发明解决其技术问题所采用的技术方案：首先采集数据集，将采集到的样本转化成矩阵型的样本，其中对于非数值型的数据集将其进行数值化，对于图片数据集需要进行灰度处理及用降维算法进行降维处理以便出去噪声。其次构造正则化项R_BC。之后将正则化项R_BC引入MatMHKS中，并产生一个新的面向矩阵模式分类模型CBCMatMHKS，并用训练集训练该新模型，为了获得模型的最优解我们使用梯度下降法求解模型CBCMatMHKS。然后使用测试集对获得的最优解进行测试，进而得到最优的决策函数。最后使用最优的决策函数对输入的需要判断类别的矩阵样本进行计算，根据输出的结果对此矩阵样本进行分类。

本发明所采用的技术方案还可以进一步完善。在所述的构造正则化项R_BC，是先使用聚簇算法对不同类别的样本分别进行聚簇并获取每一簇的簇心，然后在投影空间中使不同类簇心之间的距离最大化。该方法虽然是矩阵型的分类模型，但是对于向量型的方法也可以处理。