[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

权利要求书

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F_u；

(6)令F＝[Y_l；F_u]，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，

F_u＝-L_uuL_ulY_l (8)

其中指示矩阵F＝[F_l；F_u]，标签矩阵Y_l＝[y₁,...,y_l]^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，