[发明专利]一种标签缺失情况下的低秩投影特征提取方法

权利要求书

1.一种标签缺失情况下的低秩投影特征提取方法，对于样本容量为M、样本类别数为N的原始数据集，i表示当前第i个样本(0＜i≤M)的序号，x_i∈R^m×n表示第i个图像样本的数据矩阵，原始数据集X＝{x₁，...，x_i，...，x_M}，初始化i＝1，所提方法包括以下六个步骤：

步骤一、预处理缺失的标签，读取第i个样本数据和标签，判断第i个样本的标签：若标签是正常值，则i＝i+1，此时当i＞M，跳到步骤四，否则继续步骤一；若标签缺失，则跳转步骤二；

步骤二、第i样本在原始空间中的点为x_i，计算出x_i点与其它样本点的欧氏距离表示x_i中第l个m维向量；将求得的欧氏距离按从小到大的顺序进行排序，选取前k个欧氏距离，记为：D_i，1、D_i，2、…、D_i，j、…、D_i，k，(1≤j≤k)；

步骤三、利用获得的欧氏距离D_i，j，分别求出前k个距离权重根据前k个距离权重所对应样本点的可用原始标签，将标签相同的样本对应的距离权重相加，得到每一类标签的权值和，找到最大权值和对应的标签，将该标签数据写入第i个样本的标签位置，令i＝i+1，若i≤M，则跳转到步骤一继续执行；否则执行步骤四；

步骤四、在N类样本中每类样本随机选取B％作为训练样本，其余作为测试样本，并对数据进行归一化操作；

步骤五、利用PCA算法求出训练集归一化后各个数据矩阵的特征向量矩阵，降维维度设置为d；之后再对训练集的所有数据矩阵施加邻图约束，获得最近邻图矩阵W，并生成低秩投影矩阵Q；

步骤六、对测试集利用Q进行低秩投影，获得各个样本的特征数据，利用分类器进行归类。