[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

权利要求书

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，v_t-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。