[发明专利]一种基于多视图学习的协作表达分类方法

权利要求书

1.一种基于多视图学习的协作表达分类方法，其特征在于，包括以下步骤：

S1.根据多视图信息的待分类目标X¹,X²...X^v，通过分别固定超参数λ₁、λ₂，设置超函数的收敛范围，利用迭代法，求出待分类目标所对应的映射矩阵s¹,s²...s^v，v∈N；

S2.将具有多视图信息的待分类目标X分组放进数学模型中，根据待分类目标X样本的原始高维特征进行投影变化，每组待分类目标包括分为不同维度X¹,X²...X^v，X¹,X²...X^v经过该维度所在的映射矩阵s¹,s²...s^v直接得出该维度的类标y¹,y²...y^v中；

S3.观察各组每一个维度的类标信息y¹,y²...y^v，根据少数服从多数原则，输出各组出现次数最多的类标信息并进行求平均处理，输出类标信息y。

2.根据权利要求1所述的基于多视图学习的协作表达分类方法，其特征在于，所述的步骤S2还包括以下步骤：

S21.对数据进行随机采样分组，得出若干组训练样本；

S22.对应每个训练样本中不同维度的待分类目标X¹,X²...X^v的映射矩阵s¹,s²...s^v进行第一次约束，其约束条件如下：

其中，s^v表示的是一组训练样本里第v个视图的映射；

S23.对应每个不同维度的待分类目标X¹,X²...X^v的映射矩阵s¹,s²...s^v进行第二次约束，其约束条件如下：

其中，为同一组映射里不同视图的映射均值；

S24.所述的数学模型还包括损失函数，将若干组训练样本中的待分类目标X放入损失函数中，得出该维度的类标y¹,y²...y^v，其公式如下：

其中，X表示的是所有的带有全部视图的训练样本，X^v表示的是每一个训练样本里第v个视图的样本，y^v表示每一个X对应的类标y里第v个视图的类标。

3.根据权利要求2所述的基于多视图学习的协作表达分类方法，其特征在于，所述的的计算公式如下：

其中，s^v表示的是同一组对应的训练样本里第v个视图的映射，为同一组映射里不同视图的映射均值。

4.根据权利要求2所述的基于多视图学习的协作表达分类方法，其特征在于，所述的数学模型公式如下：

其中，X表示的是所有的带有全部视图的训练样本，X^v表示的是一组训练样本里第v个视图的样本，s^v表示的是同一组对应的训练样本里第v个视图的映射，y^v表示每一个X对应的类标y里第v个视图的类标。

5.根据权利要求4所述的基于多视图学习的协作表达分类方法，其特征在于，所述的S3包括以下步骤:

S31.根据步骤S2所得各组数据的不同维度的类标信息y¹,y²...y^v，输出出现次数最多的类标信息；

S32.根据S31输出的各组类标信息进行平均值处理，输出分类结果。