[发明专利]一种基于多视角字典学习的图模型

说明书

本发明公开了一种基于多视角字典学习的图模型，使用主成分分析和线性判别分析对原始图数据进行数据降维及预处理，去除数据中的冗余特征的同时保留了数据的高判别性；接着利用多视角字典学习方法学习数据中蕴含的本质特征，并训练得到一个综合字典、一个分析字典、与样本相对应的稀疏编码以及一个SVM线性分类器；紧接着将样本的稀疏编码输入SVM分类器，分类器处理之后按多视角原理产生多个不同视角下的预测标签；预测出的多视角标签利用投票机制进行综合，产生最终的样本标签并用于模型准确率的计算；本发明具有信息利用率高、决策更高效、专用性强等优点。

技术领域

本发明涉及图挖掘及字典学习技术领域，具体涉及一种基于多视角字典学习的图模型。

背景技术

近年来，深度学习的发展取得了重大突破，并广泛应用于语言识别、目标检测、机器翻译等领域，并展现出其强大的特征提取能力。深度学习已经在欧几里德数据中，如图片、视频和语音，取得了很大的成功，因为此类数据具有一些良好的性质，如平移不变形、局部连通性和图像数据的语义合成性，但是从非欧几里德域生成的数据，如图(Graph)数据和流形(Manifold)数据，却不具有上述良好的性质，且往往结构十分复杂，传统意义的卷积等方法无法直接应用于此类数据上。图数据大量存在于我们的生活中，如社交网络图、化学分子结构图、论文机器引文关系图等，其中蕴含巨大的潜在价值，需要有效的分析。近年来已经出现越来越多的图模型和算法，这极大地弥补了图数据研究领域的空缺。

字典学习(Dictionary Learning，DL)和稀疏表示(Sparse Representation，SR)在学术界正式称谓应该是稀疏字典学习(Sparse Dictionary Learning，SDL)；该算法理论主要包含两个阶段：字典构建阶段(Dictionary Generate)和利用字典求解样本稀疏编码的阶段 (Sparse coding with a precomputed dictionary)。字典学习被广泛用于图像去噪、超分辨率、压缩感知等领域，但是到目前为止，几乎没有或者很少有将多视角技术应用于字典学习，以及将字典学习应用于图数据的研究。这对该算法来说，是应用上的空缺及功能上的欠缺；同时，现有技术存在如信息利用率不高、功能上的欠缺、计算资源消耗高和训练周期长等缺点与不足。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于 PCA与LDA降维、字典学习、多视角、SVM分类、交叉验证、投票机制等多视角字典学习的图模型。

本发明的目的通过下述技术方案实现：

一种基于多视角字典学习的图模型，包括数据预处理模块、稀疏编码学习模块、综合字典学习模块、分析字典学习模块、SVM分类器学习模块、损失函数模块、主函数模块和测试模块，其中：

所述数据预处理模块，主要的工作是对原始图数据进行降维、数据类型转换与封装；使用主成分分析(PCA)和线性判别分析(LDA) 算法对原始图数据进行降维，该降维过程分两步进行；首先使用PCA 算法对矩阵形式的图数据的主要特征进行提取，提取出来的主要特征按贡献度由大到小重新排序并组成新的数据矩阵，再由LDA算法对该数据进行降维，达到预先设定的特征维度；紧接着对数据进行类型转换，最后对数据进行封装，以供后期训练使用；

所述稀疏编码学习模块，主要的工作是完成稀疏编码的求解过程；首先定义稀疏编码为张量(Tensor)类型的变量，然后根据字典学习的前向关系计算模块的输出，即Out＝B*S，其中B为综合字典，S为稀疏编码，Out为稀疏学习字典模块的输出；

所述综合字典学习模块，主要的工作是实现合字典的构建过程；预先根据经验设定综合字典的原子数(item)，原子数的大小决定综合字典属于过完备字典、完备字典或欠完备字典其中的某一种，这里选择成为过完备字典，接着使用预设定的原子数定义综合字典为张量类型的变量，再根据公式(Out＝B*S)，计算模块的输出，其中B为综合字典，S为稀疏编码，Out为本模块的输出；