[发明专利]基于特征选择的多模态数据分类方法

权利要求书

1.基于特征选择的多模态数据分类方法，其特征在于，包括以下步骤：

步骤1)、基于给定的多模态数据集提取各模态数据的特征信息；

步骤2)、对步骤1)中提取的特征信息的维度进行扩展，将特征信息从低阶扩展为高阶得到高阶特征信息；

步骤3)、构建基于多模态数据的特征选择模型，将经步骤2)得到的高阶特征信息输入到特征选择模型，选择出与类别标签关系紧密的特征子集；

步骤4)、利用步骤3)得到的特征子集中的训练样本对各模态数据对应的子分类器进行训练；

步骤5)、将经过步骤4)训练的所有子分类器构建为一个集成分类器，将多模态数据输入集成分类器中，输出最终分类结果。

2.根据权利要求1所述的基于特征选择的多模态数据分类方法，其特征在于，步骤1)中所述的多模态数据及包括ADNI数据集和Office数据集，ADNI数据集包含三种模态MRI、PET和CSF下的数据；Office数据集包括mazon、dslr和webcam数据集；提取所有数据集的Surf和Decaf特征，并分别训练LeNet和AlexNet网络模型，获得Decaf-LeNet和Decaf-AlexNet特征。

3.根据权利要求1所述的基于特征选择的多模态数据分类方法，其特征在于，步骤2)中所述的特征信息的维度扩展包括如下步骤：采用非线性核显式展开方法对特征信息间高阶关系进行线性表示，将初始的特征信息进行维度扩展，将特征信息从低阶映射到高阶空间中，获得组合式高阶特征信息。

4.根据权利要求1所述的基于特征选择的多模态数据分类方法，其特征在于，所述步骤3)还包括采用Cutting Plane方法与整数规划相结合对选择出的特征子集进行更新，从中选择出关系最为紧密的高阶特征信息子集。

5.根据权利要求1所述的基于特征选择的多模态数据分类方法，其特征在于，步骤4)中所述的各模态数据对应的子分类器训练包括如下步骤：利用训练样本对子分类器进行训练，优化特征选择的权重，将训练样本输入训练后的子分类器得到各个子分类器的分类结果。

6.根据权利要求1所述的基于特征选择的多模态数据分类方法，其特征在于，步骤5)具体包括如下步骤：先采用最小二乘方法确定各子分类器的权重，然后将所有子分类器通过加权计算得到集成分类器。