[发明专利]基于流形正则化和宽度网络的半监督宽度学习分类方法

说明书

本发明涉及宽度学习系统技术领域，尤其涉及基于流形正则化和宽度网络的半监督宽度学习分类方法，包括以下步骤：S1：利用输入数据建立特征节点；S2：利用已建立的特征节点建立增强节点；S3：输出权重的求解，本发明通过将流形正则化框架引入BLS中，提出了半监督宽度学习系统(Semi‑supervised Broad Learning System，简称SS‑BLS)，该方法通过流形正则化框架扩展了BLS，从而提升了BLS的适用性，SS‑BLS完全具有BLS的学习能力和计算效率，同时，该方法能够高效的完成不同复杂数据集下的半监督分类任务，各种数据集的实验结果表明SS‑BLS具有极强的适应性和较高的稳定性，此外，数据集的实验结果还证明所提出的方法与最先进的半监督方法相比具有竞争力。

技术领域

本发明涉及宽度学习系统技术领域，尤其涉及基于流形正则化和 宽度网络的半监督宽度学习分类方法。

背景技术

深层结构神经网络和学习目前已经在许多领域得到应用，并在大 规模的数据处理上获得了巨大的成功,目前最受欢迎的深度学习网络 有深度信任网络(Deep BeliefNetworks，简称DBN)，深度玻尔兹 曼机器(Deep Boltzmann Machines，简称DBM)和卷积神经网络 (Convolutional neural Networks，简称CNN)等。虽然深度结构 网络非常强大，但是大多数网络都被极度耗时的训练过程所困扰。这 其中的主要原因是，深度网络结构比较复杂并且需要调节大量的参数。

在过去的几年里，来自各个领域的学者为BLS的理论完善和应用 作出了重大贡献。例如，BLS的通用逼近能力已经在分类背景下进一 步研究。学者们通过对基本的BLS进行了各种扩展，使其更适合于在 特定背景下解决特定的问题。例如，BLS与结构化流形(Structured Manifold,简称SM)结合，即SM-BLS，用于解决高维和大规模时间序 列处理。这使得BLS可用于大规模时间序列的预测问题。

虽然BLS在各个领域得到了广泛的应用，但它们主要用于有监督 学习任务，例如分类和回归，这极大地限制了它们的适用性。在某些 应用背景下，例如图像分类，信息检索和故障诊断，获得完全监督学 习的有标签样本是耗时且昂贵的，而大量未标记的样本收集起来容易 且便宜。

已经提出的半监督学习(Semi-supervised learning，简称SSL) 可以克服完全有监督学习的缺点。SSL算法假设来自有标签和无标签 样本的输入模式是从相同的边际分布中提取的。因此，未标记的样本 自然地提供了用于探索输入空间中的数据结构的有用信息。

BLS已被证明是模式分类和回归的有效网络。然而，BLS主要被 应用于解决有监督环境下的问题，极少利用BLS来探索无标签数据集。

因此，我们提出了基于流形正则化和宽度网络的半监督宽度学习 分类方法用于解决上述问题。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的基于 流形正则化和宽度网络的半监督宽度学习分类方法。

为了实现上述目的，本发明采用了如下技术方案：

本发明提出的基于流形正则化和宽度网络的半监督宽度学习分 类方法，包括以下步骤：

S1：利用输入数据建立特征节点；

S2：利用已建立的特征节点建立增强节点；

S3：输出权重的求解。

优选的，基于流形正则化和宽度网络的半监督宽度学习分类方法， 包括以下步骤：