[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 | ||
本发明公开了一种基于自适应分数阶梯度的图数据类别预测方法,通过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;根据网络预设的层数进行网络权重的初始化;将图中所有节点的特征矩阵H和图的邻接矩阵A喂入到图网络中,计算均方误差损失函数;根据均方误差损失函数,更新权重参数,更新分数阶阶次,得到自适应分数阶梯度的图神经网络;解决了现有的图神经网络方法存在的落入局部最优的技术问题,从而得到理想的优化结果。
技术领域
本发明属于图信号处理领域,具体涉及一种基于自适应分数阶梯度的图数据类别预测方法。
背景技术
深度学习在处理以图为代表的非欧几里德结构数据方面受到了广泛的重视。从广义上讲,图像、视频、流形等都是图的不同表现形式。因此,图信号处理为社会科学、生物信息学、物理系统、知识图等研究领域提供了重要的工具。
作为一种非欧式数据处理技术,图神经网络(GNNs)以数据的特征和邻接关系为输入,侧重于节点分类、边缘预测和图聚类等任务。图卷积神经网络(GCNs)将卷积操作应用于图网络中,实现了提取和聚合图空间的高维信息,从而完成半监督的节点分类任务。这些方法往往都是基于梯度下降方法进行参数的迭代更新,都存在以下的缺点:由于非凸的损失函数,致使网络很容易落入局部最优,无法求得理想的结果;一阶搜索方法的收敛速度比高阶搜索方法更慢。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于自适应分数阶梯度的图数据类别预测方法解决了现有的图神经网络方法存在网络容易落入局部最优和采用一阶搜索方法的收敛速度比高阶搜索方法更慢的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于自适应分数阶梯度的图数据类别预测方法,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;
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。
进一步地: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
进一步地:步骤S12中归一化的邻接矩阵为:
进一步地: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。
进一步地: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。
进一步地: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:
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/202010122396.2/2.html,转载请声明来源钻瓜专利网。