[发明专利]一种半配对多视图邻域相关分析方法

说明书

本发明公开了一种半配对多视图邻域相关分析方法，包括1）利用k邻域和径向基函数计算视图内样本的相似度矩阵；2）利用视图间样本共享的配对样本和视图内样本的相似度矩阵，计算不同视图间样本的相似度矩阵；3）构建半配对多视图邻域相关分析的最优化模型，并利用拉格朗日乘子法将其转化成广义特征值问题；4）求解广义特征值问题；5）使用每个视图的投影矩阵，分别对训练样本和测试样本进行降维，获取其低维表示；6）使用k近邻分类器对降维后的测试数据进行识别，并计算识别率。本发明不仅能够揭示配对多视图样本间的相关性，而且还能有效地利用大量未配对样本所蕴含的信息，因此可以有效缓解因配对样本数量有限所导致的过拟合现象。

技术领域

本发明涉及模式识别领域，特别涉及一种半配对多视图邻域相关分析方法。

背景技术

典型相关分析(Canonical Correlation Analysis,CCA)是多视图学习中具有代表性的一种线性降维方法，其目标是寻找一对投影方向，使得两组随机变量在其上的投影具有最大的相关性。而多集典型相关分析(Multiset CCA,MCCA)则是CCA在多组变量情形下的一种拓展，其目标是寻找一组投影方向，使得多组变量在其上的投影具有最大的广义相关性。

局部保持投影(Locality Preserving Projection,LPP)方法是一种单视图线性降维方法，通过构建各样本间的邻域关系，实现对高维数据降维的同时保持空间中各样本的局部邻域结构，即在低维空间中最小化近邻样本间的距离加权平方和。

本质上，CCA和MCCA均是一种基于对齐数据的多视图学习方法，即给定的训练样本必须是成对的出现。但现实中的多视图数据，配对样本往往较少，而未配对样本大量存在，这种数据被称为半配对多视图数据。面对半配对情形，传统降维方法CCA和MCCA仅能利用少量的配对数据，并不能直接有效地处理未配对数据，最终导致所抽取出的特征判别力不强，从而使得模式分类效果不佳。

发明内容

本发明的目的是克服现有技术缺点，提供一种半配对多视图邻域相关分析(Multiview Neighborbood Correlation Analysis,MNeCA)方法，该方法不仅可以利用少量配对数据，而且还可以通过视图间样本的邻域关系充分利用大量未配对数据，从而缓解因配对样本过少而带来的过拟合现象。

本发明的目的是这样实现的：一种半配对多视图邻域相关分析方法，包括以下步骤：

一种半配对多视图邻域相关分析方法，其特征在于，包括以下步骤：

步骤1)给定半配对多视图训练数据其中p、u、n以及m分别表示配对样本数、未配对样本数、总样本数以及视图数，n＝p+u，d_i表示第i个视图中训练样本的维数，利用k邻域和径向基函数计算视图内样本的相似度矩阵包括如下步骤：

步骤1-1)在第i个视图中，对于样本采用k邻域法找到其k个最近邻样本，并将k个最近邻样本形成的集合记为

步骤1-2)对于样本利用径向基函数计算其与中样本的相似度，如下：

其中||·||表示向量的2范数，利用公式(1)形成视图内样本的相似度矩阵

步骤2)利用视图间样本共享的配对样本和视图内样本的相似度矩阵，计算不同视图间样本的相似度矩阵S^ij(i≠j)，i,j＝1,2,…,m，包括如下步骤：

步骤2-1)在第i个视图和第j个视图中随机选取N对配对样本，设定为其中N≤p；

步骤2-2)计算不同视图间样本和样本的相似度，如下：