[发明专利]一种基于自适应分数阶梯度的图数据类别预测方法有效
申请号: | 202010122396.2 | 申请日: | 2020-02-27 |
公开(公告)号: | CN111353534B | 公开(公告)日: | 2021-01-26 |
发明(设计)人: | 骆春波;刘子健;罗杨;孙文健;王亚宁;吴佳;刘翔 | 申请(专利权)人: | 电子科技大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 成都正华专利代理事务所(普通合伙) 51229 | 代理人: | 陈选中 |
地址: | 611731 四川省成*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 自适应 分数 阶梯 数据 类别 预测 方法 | ||
1.一种基于自适应分数阶梯度的图数据类别预测方法,其特征在于,包括以下步骤:
S1、对图数据的邻接矩阵A进行归一化处理,得到归一化的邻接矩阵
S2、建立五层神经网络结构,并对每层网络权重初始化,对迭代次数t、分数阶次参数和分数阶阶次进行初始化,t=0;
S3、将归一化的邻接矩阵和图数据的每个节点的特征H输入五层神经网络结构中,得到图数据的每个节点的预测类别;S4、根据图数据的每个节点的预测类别和每个节点的目标类别,计算均方误差损失函数值;
S5、判断均方误差损失函数值是否小于阈值,若是,则得到优化完成的五层神经网络,若否,则采用分数阶梯度下降法更新权重参数,同时根据分数阶次参数更新分数阶阶次,将t的值自增1,并跳转至步骤S3;
步骤S5中采用分数阶梯度下降法更新权重参数的计算公式为:
其中,η为步长因子,γ为均方误差损失函数,⊙表示哈达玛积,Γ(·)表示伽马函数,vt-1是t-1次迭代过程的分数阶阶次;
步骤S5中根据分数阶次参数更新分数阶阶次的计算公式为:
其中,α为分数阶次参数;S6、采用优化完成的五层神经网络处理图数据,得到图数据的每个节点的最终预测类别。
2.根据权利要求1所述的基于自适应分数阶梯度的图数据类别预测方法,其特征在于,所述步骤S1中包括以下步骤:
S11、对邻接矩阵A进行行求和或列求和,得到度矩阵D;
S12、将邻接矩阵A与单位矩阵I相加后,再与度矩阵D的0.5次幂进行左乘和右乘操作,得到归一化的邻接矩阵
3.根据权利要求2所述的基于自适应分数阶梯度的图数据类别预测方法,其特征在于,所述步骤S12中归一化的邻接矩阵为:
4.根据权利要求1所述的基于自适应分数阶梯度的图数据类别预测方法,其特征在于,所述步骤S2中五层神经网络依次包括:输入层、3层隐含层和输出层。
5.根据权利要求1所述的基于自适应分数阶梯度的图数据类别预测方法,其特征在于,所述步骤S3中五层神经网络结构中每层神经网络的输入输出关系为:
其中,为第t次迭代过程中第l层神经网络的输入,为第t次迭代过程中第l层神经网络的输出,为第0次迭代过程中第一层神经网络的输入,为第t次迭代过程中第l-1层神经网络的权重,1l≤5,e是自然对数。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于电子科技大学,未经电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010122396.2/1.html,转载请声明来源钻瓜专利网。