[发明专利]一种基于自适应特征降维的多标记数据分类方法

权利要求书

1.一种基于自适应特征降维的多标记数据分类方法，其特征在于，包括以下步骤：

步骤一，读取已知分类的多标记数据，分别将已知分类的多标记数据的特征和标记存储为特征矩阵X和标记矩阵Y；读取待分类的多标记数据，将待分类的多标记数据的特征存储为矩阵T；

步骤二，将标记矩阵Y重构为潜在语义矩阵V和系数矩阵B以降低标记矩阵Y中噪声的影响；

步骤三，引入投影矩阵W，利用截断范数构造降维模型如下：

上式中，x_i是特征矩阵X的第i行，n是特征矩阵X中的样本个数，v_i是潜在语义矩阵V的第i行，||·||_F是F-范数，||·||₂是2-范数，α和γ是系数，取值范围为(0,1]；

步骤四，在降维模型中加入几何结构约束，以使降维前后数据的局部几何结构保持一致；

步骤五，利用降维模型构造目标函数，采用梯度下降法对目标函数进行迭代，直到目标函数收敛，得到投影矩阵W的最优解；

步骤六，对已知分类的多标记数据、待分类的多标记数据进行投影降维处理，并对降维后的数据进行分类处理，完成。

2.如权利要求1所述的所述的基于自适应特征降维的多标记数据分类方法，其特征在于，步骤二中进行标记矩阵Y重构时需要满足的公式为：

上式中，表示F-范数的平方，Y为n×k的矩阵，V为n×c的矩阵，B为c×k的矩阵，n,c,k分别是矩阵中样本的个数、重构中聚类的个数、标记的个数。

3.如权利要求1所述的所述的基于自适应特征降维的多标记数据分类方法，其特征在于，步骤四的具体过程包括：

步骤4.1，根据特征矩阵X计算相似度矩阵S的第i行第j列元素：

上式中，x_i、x_j分别是特征矩阵X的第i行和第j列向量，σ²是特征矩阵X的方差；

步骤4.2，定义拉普拉斯矩阵L：

L＝A-S

其中对角矩阵A的第i行第i列元素n是相似度矩阵S中样本的个数；

步骤4.3，加入几何结构约束，构造模型如下：

上式中，β是系数，0＜β≤1，Tr(·)表示矩阵的迹，ε为参数，取值范围为(0,0.1]。

4.如权利要求3所述的基于自适应特征降维的多标记数据分类方法，其特征在于，步骤五的具体过程包括：

步骤5.1，构造目标函数J如下：

为了方便求偏导数和迭代，对目标函数变形得：

其中矩阵F的第i行第i列元素Ind(·)表示满足条件值为1，不满足条件值为0；

步骤5.2，目标函数J(W,V,B)分别对W，V，B求偏导数：

步骤5.3，梯度下降过程，W、V、B的更新规则如下：

其中，λ_V，λ_B，λ_W为梯度下降的步长，取值范围均为(0,1]；

步骤S54，对W、V、B分别赋予随机初值，代入目标函数J(W,V,B)，求得的值记为；利用步骤S53中的变量更新规则，得到新的变量W',V',B',再代入目标函数J(W',V',B')，求得的值记为J'；

计算目标函数的下降程度G＝J'-J，若G＞10^-3，则循环上述步骤，直到G≤10^-3，此时输出投影矩阵W，即为最优化解。

5.如权利要求4所述的基于自适应特征降维的多标记数据分类方法，其特征在于，步骤六中进行投影降维处理的过程为：

根据步骤五中得到的投影矩阵W，已知分类的多标记数据特征矩阵X的自适应降维后的特征矩阵X'，如下：

X'＝X*W

待分类的多标记数据特征矩阵自适应降维后的特征矩阵T'，如下：

T'＝T*W 。

6.如权利要求5所述的基于自适应特征降维的多标记数据分类方法，其特征在于，步骤六中进行分类处理的过程为：

计算特征矩阵T'中第i个样本与特征矩阵X'第j个样本之间的距离D_ij：

D_ij＝|X′_i-T′_j|i,j＝1,2,…n

其中n为特征矩阵X'中样本个数；

对第i个样本与其他样本之间的距离进行升序排列：

{D_i1,D_i2,D_i3…D_ik…D_in}

然后统计距离第i个样本最近的个样本中，统计出现频率最多的类标记，即为第i个样本的所属分类。