[发明专利]数据降维方法及装置

权利要求书

1.一种数据降维方法，其特征在于，包括：

构建用于数据降维的初始神经网络，并将高维数据集和低维数据集分别作为所述初始神经网络的输入和输出，所述高维数据集中的样本点的维数大于所述低维数据集中的样本点的维数；

基于所述高维数据集的样本点距离关系和所述低维数据集的样本点距离关系构建神经网络目标函数；

根据所述神经网络目标函数优化调整所述初始神经网络的参数；

利用优化调整参数后的所述初始神经网络对待处理数据进行降维处理。

2.如权利要求1所述的数据降维方法，其特征在于，基于所述高维数据集的样本点距离关系和所述低维数据集的样本点距离关系构建神经网络目标函数，包括：

分别将所述高维数据集的样本点距离关系和所述低维数据集的样本点距离关系表示为第一概率分布和第二概率分布；

利用所述第一概率分布和所述第二概率分布构建神经网络目标函数。

3.如权利要求1所述的数据降维方法，其特征在于，根据所述神经网络目标函数优化调整所述初始神经网络的参数，包括：

根据所述神经网络目标函数，利用随机梯度下降法优化调整所述初始神经网络的参数。

4.如权利要求3所述的数据降维方法，其特征在于，根据所述神经网络目标函数，利用随机梯度下降法优化调整所述初始神经网络的参数，包括：

从所述高维数据集中随机抽取设定数量的样本点；

将随机抽取的所述设定数量的样本点输入至所述初始神经网络，并输出所述低维数据集的样本点；

基于随机抽取的所述设定数量的样本点和输出的所述低维数据集的样本点计算所述神经网络目标函数的值；

根据所述神经网络目标函数的值利用随机梯度下降法优化调整所述初始神经网络的参数。

5.如权利要求4所述的数据降维方法，其特征在于，根据所述神经网络目标函数的值优化调整所述初始神经网络的参数，还包括：

从所述高维数据集中重新随机抽取所述设定数量的样本点；将重新随机抽取的所述设定数量的样本点输入至优化调整参数后的所述初始神经网络，并重新输出所述低维数据集的样本点；基于重新随机抽取的所述设定数量的样本点和重新输出的所述低维数据集的样本点重新计算所述神经网络目标函数的值；根据重新计算的所述神经网络目标函数的值利用所述随机梯度下降法重新优化调整所述初始神经网络的参数；依次迭代进行，直到重新计算的所述神经网络目标函数的值不再减小。

6.一种数据降维装置，其特征在于，包括：

神经网络构建单元，用于构建用于数据降维的初始神经网络，并将高维数据集和低维数据集分别作为所述初始神经网络的输入和输出，所述高维数据集中的样本点的维数大于所述低维数据集中的样本点的维数；

目标函数构建单元，用于基于所述高维数据集的样本点距离关系和所述低维数据集的样本点距离关系构建神经网络目标函数；

参数调整单元，用于根据所述神经网络目标函数优化调整所述初始神经网络的参数；

数据降维单元，用于利用优化调整参数后的所述初始神经网络对待处理数据进行降维处理。

7.如权利要求6所述的数据降维装置，其特征在于，目标函数构建单元，包括：

概率分布生成模块，用于分别将所述高维数据集的样本点距离关系和所述低维数据集的样本点距离关系表示为第一概率分布和第二概率分布；

目标函数构建模块，用于利用所述第一概率分布和所述第二概率分布构建神经网络目标函数。

8.如权利要求6所述的数据降维装置，其特征在于，参数调整单元，包括：

参数调整模块，用于根据所述神经网络目标函数，利用随机梯度下降法优化调整所述初始神经网络的参数。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5所述方法的步骤。