[发明专利]一种基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法

权利要求书

1.一种基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法，其特征在于，所述方法包括步骤：

将原始图像和所述原始图像的异质特征整合到统一的集合中，以得到多模态样本集合；

通过投影矩阵同时提取所述多模态样本集合中样本数据的横向与纵向信息，根据所述样本数据定义基于所述异质特征联合自表示的特征子空间的模型的目标函数，挖掘所述原始图像的二维空间结构信息，并将其保留在投影空间中；

所述目标函数的表达公式为：

其中，P^(k)和Q^(k)是分别针对所述多模态样本的行信息与列信息的所述投影矩阵，且(P^(k))^TP^(k)＝(Q^(k))^TQ^(k)＝I_r,I_r是单位阵，r≤min{a,b}，与为协方差矩阵，

表示原始图像，{X⁽¹⁾,...,X^(m),...,X^(h)}表示其h种异质特征(1≤k≤h)，表示原始图像的第k种异质特征(0≤k≤h)；

利用阈值岭回归的方式构造基于多模态异质特征的联合自表示损失函数，利用Fisher判别准则方法最小化自表示形式里的适应性误差，同时最大化二维投影后投影数据的总散度，并学习到最优投影矩阵和系数矩阵，得到第一重新拟定目标函数；

所述第一重新拟定目标函数的表达公式为：

其中，Z为所述系数矩阵，τ为正则化参数,Y＝[y₁,...,y_i,...,y_n]，y₁为第i个所述多模态样本投影后所有模态的横向和纵向结构信息的集合；

将求解所述目标函数等同于求解P^(k)和Q^(k)的广义特征值问题，同时构建约束项来挖掘投影数据的流形结构，得到第二重新拟定目标函数；

所述第二重新拟定目标函数的表达公式为：

其中，D是对角矩阵，W相似性度量矩阵， 和为正则化参数；

通过训练集求解出所述目标函数值最小化时各个变量的值；

在模型求解完毕后利用表示系数构造亲和矩阵；

采用谱聚类的方式在数据集上对所述多模态样本进行聚类，得到所述数据集的聚类精度。

2.根据权利要求1所述的基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法，其特征在于，所述目标函数满足的条件为：所述目标函数最大化所述样本数据的总散度。

3.根据权利要求1所述的基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法，其特征在于，所述通过训练集求解出所述目标函数值最小化时各个变量的值包括：通过利用交替方向乘子算法，在其他变量不变的条件下针对每个变量迭代地求解最小化的所述目标函数。

4.根据权利要求3所述的基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法，其特征在于，所述通过利用交替方向乘子算法，在其他变量不变的条件下针对每个变量迭代地求解最小化的所述目标函数包括步骤：

固定除P⁽⁰⁾以外的变量，删除与P⁽⁰⁾无关的项，得到变量P⁽⁰⁾的目标函数；

固定除Q⁽⁰⁾以外的变量，删除与Q⁽⁰⁾无关的函数项，得到变量Q⁽⁰⁾的目标函数；

求解其第k个异质特征下的P^(k)、固定除P^(k)以外的变量，删除与P^(k)无关的函数项，得到变量Q⁽⁰⁾的目标函数；

求解其第k个异质特征下的Q^(k)，固定除Q^(k)以外的变量，删除与Q^(k)无关的函数项，得到变量Q^(k)的目标函数；

同样利用交替方向乘子算法ADMM，针对每个变量迭代地求解最小化，固定除Z以外的变量，得到关于变量Z的目标函数。

5.根据权利要求1所述的基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法，其特征在于，所述在模型求解完毕后利用表示系数构造亲和矩阵包括步骤：

对所述系数矩阵Z进行SVD分解，得到Z的权重列空间其中，Z＝UΣV^T；

归一化的每一行，得到矩阵W；

由A_ij＝(|WW^T|)_ij构建亲和矩阵A。