[发明专利]半监督学习的方法及系统

权利要求书

1.一种半监督学习的方法，其中，包括：

使图像数据形成图像数据矩阵，并进行归一化，取得归一化的所述图像数据的欧氏距离，将所述欧氏距离组成距离矩阵，并输入至单层神经网络；

令所述单层神经网络利用接收的所述距离矩阵，根据预设的激活函数生成亲和矩阵，利用预设的代价函数的迭代，优化所述亲和矩阵；

令所述图像数据矩阵结合所述亲和矩阵，根据预设的卷积函数得到图卷积层输出的标签矩阵，利用预设的所述代价函数的迭代，优化所述标签函数；

将所述卷积层输出的所述标签矩阵与所述图像数据矩阵发送至极限学习神经网络，利用预设的所述代价函数的迭代，优化极限学习神经网络参数矩阵，以用于对所述图像数据进行分类。

2.根据权利要求1所述的方法，其中，所述利用预设的代价函数的迭代，优化所述亲和矩阵，包括：

固定所述标签函数和所述极限学习神经网络参数矩阵，对所述代价函数的第一组合采取梯度下降算法进行迭代，以优化所述亲和矩阵；

所述利用预设的所述代价函数的迭代，优化所述标签函数，包括：

固定所述亲和矩阵和所述极限学习神经网络参数矩阵，对所述代价函数的第二组合采取梯度下降算法进行迭代，以优化所述标签矩阵；

所述利用预设的所述代价函数的迭代，优化极限学习神经网络参数矩阵，包括：

固定所述亲和矩阵和所述标签矩阵，利用所述代价函数的第三组合，对所述极限学习神经网络参数矩阵优化求偏导；以及

响应于确定所述代价函数不表现为收敛，继续所述极限学习神经网络参数矩阵、所述亲和矩阵和所述标签矩阵的优化；

响应于确定所述代价函数表现为收敛，停止所述极限学习神经网络参数矩阵、所述亲和矩阵和所述标签矩阵的优化，并保留优化结果。

3.根据权利要求2所述的方法，其中，所述代价函数表示为：

其中，L_GLCNMR-ELM表示所述代价函数，F表示所述标签矩阵，S表示所述亲和矩阵，M表示所述距离矩阵，O代表所述极限学习神经网络中隐层神经元的输出，X代表所述图像数据矩阵，L代表拉普拉斯矩阵，λ和β为预设的超参数，y表示图像数据的标签；

其中，在所述代价函数中采用第二函数项、第三函数项和第四函数项组成的所述第一组合，对所述亲和矩阵优化；

在所述代价函数中采用第一函数项、第二函数项和第五函数项组成的第二组合，对所述标签矩阵优化。

在所述代价函数中采用第五函数项的第三组合，对所述极限学习神经网络参数矩阵优化。

4.权利要求3所述的方法，其中，在所述代价函数中采用第五项函数项对所述极限学习神经网络参数矩阵优化，包括：

对公式

中的W求偏导数，并将求导后的结果等于零，得到W的值；

其中，W为所述极限学习神经网络参数矩阵，F表示所述标签矩阵，O代表所述极限学习神经网络中隐层神经元的输出。

5.权利要求2所述的方法，其中，所述对所述代价函数采取梯度下降算法，以优化所述标签矩阵，包括：

利用所述图像数据，建立标签矩阵，作为所述标签矩阵进行优化的初始化值；

其中，对所述图像数据中的标签数据采用独热编码作为所述标签数据的标签；

将所述图像数据中的无标签数据设置为零的向量；

其中，相同的所述数据标签代表相同的所述图像数据的类别，并且每一类所述图像数据不少于一个数据样本。

6.权利要求1所述的方法，其中，根据预设的激活函数生成亲和矩阵，包括：

采用公式

其中，S_ij表示亲和矩阵，a表示单层神经网络中的权重向，x_i和x_j表示图像数据矩阵中的元素；

作为所述单层神经网络的激活函数，将所述数据矩阵映射为所述亲和矩阵。