[发明专利]一种标签约束自权重多超图学习的半监督分类方法在审
申请号: | 201910508416.7 | 申请日: | 2019-06-13 |
公开(公告)号: | CN110298392A | 公开(公告)日: | 2019-10-01 |
发明(设计)人: | 王少帆;林菁;王立春;孔德慧;尹宝才 | 申请(专利权)人: | 北京工业大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N20/00 |
代理公司: | 北京市中闻律师事务所 11388 | 代理人: | 冯梦洪 |
地址: | 100124 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 权重 标签 矩阵 半监督 分类 无标签样本 自适应 迭代 学习 编码样本 策略构建 数据确定 特征表示 特征构建 初始化 高阶 构建 收敛 融合 输出 更新 | ||
1.一种标签约束自权重多超图学习的半监督分类方法,其特征在于:
该方法包括以下步骤:
(1)对待分类任务的数据确定m种特征表示,依据每种特征构建一个超图,计算每个超图的相关矩阵H(t),t=1,...,m;
(2)计算各超图的拉普拉斯矩阵L(t),t=1,...,m;
(3)对于每个超图,初始化权重α(t)=1/m,t=1,...m;
(4)利用进行多超图融合;
(5)计算无标签样本的指示矩阵Fu;
(6)令F=[Yl;Fu],更新权重
(7)迭代进行步骤(4)、(5)、(6),直到收敛或达到最大迭代次数;
(8)计算无标签样本标签;
(9)输出标签;
(10)结束。
2.根据权利要求1所述的标签约束自权重多超图学习的半监督分类方法,其特征在于:所述步骤(1)中通过公式(1)计算每个超图的相关矩阵,
对于第t种特征描述符,构建超图G(t)=(ν(t),ε(t)),其中ν(t)表示顶点集,数据集中的每个样本对应于超图中的一个顶点,ε(t)表示超边集;在该超图中,依次以每个顶点为中心,找到与其最近的k’个点,构建对应的超边,每条超边对应一个中心点,且每条超边连接k’个顶点;用相关矩阵H(t)表示超图,H(t)中的元素表示顶点与超边的连接强度,其计算方法为公式(1):
3.根据权利要求2所述的标签约束自权重多超图学习的半监督分类方法,其特征在于:所述步骤(2)中通过公式(3)计算各超图的拉普拉斯矩阵,
对于每种特征描述符t,构建好相应的超图G(t)=(ν(t),ε(t)),并计算出相关矩阵H(t),然后根据相关矩阵H(t),利用公式(3)计算各个超图的拉普拉斯矩阵L(t):
其中,H(t)表示该超图所对应的相关矩阵,I表示单位阵,W(t)是对角阵,其对角线上的元素为超边的权重,和为对角矩阵,对角线上的元素分别为顶点的度deg(v)和超边的度deg(e),其计算方法为公式(4):
4.根据权利要求3所述的标签约束自权重多超图学习的半监督分类方法,其特征在于:所述步骤(5)中通过公式(8)计算无标签样本的指示矩阵,
Fu=-LuuLulYl (8)
其中指示矩阵F=[Fl;Fu],标签矩阵Yl=[y1,...,yl]T,
假定有l(1≤l<n)个样本类别已知,把这l个样本放在所有样本之前,进而利用公式(5)
进行半监督多超图学习,从而完成半监督分类任务,为指示矩阵,[F]i,:表示矩阵F的第i行,F的每一行代表一个样本,每一列代表一个类别,m表示样本共有m种特征,根据得到第i∈{l+1,...,n}个样本的标签,
把公式(5)写成公式(6):
其中,
再把矩阵按L第l行、第l列划分成4块,得到:
5.根据权利要求4所述的标签约束自权重多超图学习的半监督分类方法,其特征在于:所述步骤(6)中通过公式(7)更新权重。
6.根据权利要求5所述的标签约束自权重多超图学习的半监督分类方法,其特征在于:所述步骤(8)中通过公式(9)计算无标签样本标签,
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京工业大学,未经北京工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910508416.7/1.html,转载请声明来源钻瓜专利网。