[发明专利]一种基于张量表示的多视图离群点检测算法

权利要求书

1.一种基于张量表示的多视图离群点检测方法，其特征在于该方法包括以下步骤：

S1：将原始多视图样本重塑成张量表示形式，从而形成多视图张量集，并将每个张量展开成向量，得到转化后的样本矩阵。

S2：构造样本矩阵的低秩表示学习目标函数，并计算使目标函数值最小的最佳的表示系数和误差矩阵。

S3：根据步骤S2得到的表示系数和误差矩阵，计算所有样本的离群分数，并输出所有样本的离群标签。

2.根据权利要求1所述一种基于张量表示的多视图离群点检测方法，所述的步骤S1具体为：

S101：预先定义M个视图数据的集合D＝{X¹，X²，...，X^M}表示，其中表示第v个视图中的N个样本，其中特征维度为d_v。按归一化每个

S102：对每个多视图样本按照构造相应的多视图张量，从而得到多视图张量集其中X_i表示第i个实例的多视图张量。

S103：把每个多视图张量x展开成向量形式这样，多视图张量集I就转化成样本矩阵

3.根据权利要求1所述的一种基于张量表示的多视图离群点检测方法，所述的步骤S2具体为：

S201：构造样本矩阵T的低秩表示学习目标函数：

min_Z，E ||Z||_*+α||E||_2，1 s.t T＝TZ+E (1)

其中Z＝[z₁ z₂ ... z_N]∈R^N×N为表示系数矩阵；每个z_i∈R^N×1都是向量的表示系数。是误差矩阵。||·||_*表示迹范数，||·||_2，1代表l_2，1范数。

S202：上述样本矩阵T的低秩表示学习目标函数(1)可以通过求解以下增广拉格朗日乘子(AugmentedLagrange Multiplier)问题解决：

问题(2)中的变量可以用非精确ALM算法求解，求解流程描述见图2和具体实施方式中的S202。

4.根据权利要求1所述的一种基于张量表示的多视图离群点检测方法，所述的步骤S3具体为：

S301：按为每个样本计算其离群值分数，其中o(i)表示第i个实例的离群值。β＞0是权衡参数。

S302：在计算完实例的离群值得分后，根据预先定义的阈值γ计算离群标签L：

if o(i)＞γ，L(i)＝1；otherwise，L(i)＝0。