[发明专利]基于lp

权利要求书

1.一种基于l_p范数正则化的多任务学习图像分类方法，其特征在于，包括以下步骤：

获取不同地区的同类图像，并对所述同类图像进行预处理，以获取多组数据中心图像；

对所述多组数据中心图像分别通过纹理特征和边缘特征进行描述或定义，以获取图像特征矩阵和类别标签矩阵,所述对所述多组数据中心图像分别通过纹理特征和边缘特征进行描述或定义，以获取图像特征矩阵和类别标签矩阵，进一步包括：利用灰度共生矩阵提取所述纹理特征，其中，所述灰度共生矩阵提供图像的灰度方向、间隔和变化幅度的统计信息；利用Canny算子提取所述边缘特征；将图像特征表示为X_k＝[x₁,x₂,...,x_n]∈R^d×n,k＝1,2,...,t，t为监督学习任务个数，n为输入样本数据的个数，d为样本特征向量的维数；将图像标签集表示为Y_k＝[y₁,y₂,...,y_n]∈Rⁿ,k＝1,2,...,t，其中y_i∈{+1,-1}为第k个任务中每个样本的类别标签，i＝1,2,…,n；设置t个监督学习任务的权重系数矩阵为w＝[w₁,w₂,...,w_t]∈R^d×t；

选择基于支持向量机的多任务学习算法设计分类器，并选择l_p范数进行正则化，并且设计目标函数，其中，所述选择l_p范数进行正则化，进一步包括：添加正则化项后的多任务学习支持向量机模型的目标函数为：采用0-1损失函数，λΩ(W)为正则化项；类比l₀范数、l₁范数和l_p范数，所述l₁范数为所述l₀范数为||x||₀＝#(i)with x_i≠0，所述l_p范数为并且，所述设计目标函数，进一步包括：模型中有t个任务，第k个任务样本个数为n,目标函数为γ为正则化参数，u＝(u_k:k)∈R^n×d，J(u)是参数向量u的齐二次方程且J(u)＝u'Eu；当时，函数其中t个任务之间是独立学习；以及

优化分类算法的目标函数，以确定输入图像的最终类别。

2.根据权利要求1所述的基于l_p范数正则化的多任务学习图像分类方法，其特征在于，所述选择基于支持向量机的多任务学习算法设计分类器，进一步包括：

确定支持向量机分类决策函数为：a_i≥0为拉格朗日乘子；

核函数采用高斯核函数σ为函数的宽度参数。

3.根据权利要求2所述的基于l_p范数正则化的多任务学习图像分类方法，其特征在于，所述确定输入图像的最终类别，进一步包括：

所述l_p范数计算公式为:其中，p＞0；

加入所述l_p范数的正则项的多任务学习支持向量机目标函数公式为：

利用子梯度法对所述目标函数进行求解，即：w_h+1＝w_h+η_hF'(w_h)其中，其中w_h是第h次迭代的结果，η_h为步长，通常取表示函数F(w)在w处的子梯度；

利用随机梯度下降法：优化分类算法，沿着所述目标函数J(u)参数θ∈R的梯度相反方向不断更新模型参数，直至到达所述目标函数的极小值点，更新步长为η。