[发明专利]一种基于多视图学习的协作表达分类方法

说明书

本发明公布一种基于多视图学习的协作表达分类方法，包括以下步骤：S1.根据待分类目标X¹,X²...X^v，求出不同维度目标所对应的映射矩阵s¹,s²...s^v；S2.将具有多视图信息的待分类目标X放进数学模型中，其中X分为不同的维度1,2…v，其中X分为不同的维度1,2…v，待分类目标X样本的原始高维特征进行投影变化，每个不同维度的待分类目标X¹,X²...X^v，经过该维度所在的映射矩阵s¹,s²...s^v，将待分类目标X通过不同的s投影到对应维度的类标y¹,y²...y^v中；S3.将每一个维度的类标信息y¹,y²...y^v综合起来，最终判别出分类结果y。本发明提供方法，解决了协作表达分类方法中无法对多视图数据进行分类的缺陷，同时添加了一致性原理，对多视图数据的分类效果也做了一个提升。

技术领域

本发明涉及图像分类处理领域，尤其涉及一种基于多视图学习的协作表达分类方法。

背景技术

在模式识别应用中，相同的对象可以由不同的特征表示，例如图像分类，图像检索和场景识别。这种数据被称为多视图数据，其特征表示对应于视图。由于多视图学习发现具有不同视图的互补信息，并且提高了分类性能或聚类性能，因此它已成为一个重要的研究领域。目前，多视图学习已经发展到不同的学习领域，如转移学习，度量学习以及子空间学习。多视图分类算法可以分为大约三组。第一个是经典支持向量机分类器，第二个是子空间学习，第三个是多视图分类的最小二乘回归。根据标签信息的可用性，多视图学习可以分为多视图无监督学习，多视图半监督学习和多视图监督学习。在本专利中，我们的多视图分类基于监督学习方法中。

在多视图数据中，每个视图都包含相同的信息部分，同时每个视图还包含不同的信息。严格来说，由于多视图数据的特点，现有算法主要包括一致性原则或互补性原则中的一种并没有同时利用起来。一致性原则主要旨在最大限度地达成所有意见的一致意见。互补性原则意味着来自多视图数据中不同视图的补充信息可以帮助提高分类性能。

发明内容

针对现有技术中对于多视图数据上仅使用一致性与互补性当中的一种，并没有同时利用起来的技术缺陷，本发明提出一种基于多视图学习的协作表达分类方法，本发明采用的技术方案是：

一种基于多视图学习的协作表达分类方法，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。