[发明专利]一种先验约束分类器调整方法、系统及可读存储介质

说明书

本发明公开了一种先验约束分类器调整方法、系统及可读存储介质，属于信号处理技术领域，包括获取样本集合；根据样本集合中的数据，计算全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵；基于全局拉普拉斯矩阵、全局样本权重矩阵、全局高维特征输出矩阵和类别先验数量向量，对分类器进行初步调整，得到初始输出权重；根据初始输出权重，对分类器进行再次调整，得到调整后的分类器。本发明引入了先验约束、信息保留约束、分布差异度量、平滑性度量，使得分类器能够较好地适应到新环境的数据分布，防止分类性能的下降。

技术领域

本发明涉及信号处理技术领域，特别涉及一种先验约束分类器调整方法、系统及可读存储介质。

背景技术

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度等多门学科知识，使用计算机模拟实现人的学习行为，重新组织已有的知识结构或获取新的知识，来提高学习的效率性能。研究机器学习的方法种类很多,但是实际上很多学习场景下训练样本的概率分布和测试样本的概率分布是不同的，因此需要对分类器进行调整以适应新的环境。

发明内容

本发明的目的在于克服上述背景技术中的不足，以调整得到能够较好适应新环境的数据分布的分类器。

为实现以上目的，一方面，采用一种先验约束分类器调整方法，包括：

获取样本集合；

根据样本集合中的数据，计算全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵；

基于全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵以及先验知识，对分类器进行初步调整，得到初始输出权重；

根据初始输出权重，对分类器进行再次调整，得到调整后的分类器。

进一步地，所述根据样本集合中的数据，计算全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵，包括：

将样本集合划分为有标签样本集合和无标签样本集合所对应的标签为集合为n_s为有标签样本的数量，n_t为无标签样本的数量，n＝n_s+n_t，n为样本总数；

根据无标签样本集合计算全局拉普拉斯矩阵L；

根据有标签样本集合中已标注数据的类别分布，计全局样本权重矩阵W；

随机生成z个输入权重向量和z个输入偏置标量，计算所述样本集合中每个样本数据的高维特征，得到全局高维特征输出矩阵。

进一步地，所述随机生成z个输入权重向量和z个输入偏置标量，计算所述样本集合中每个样本数据的高维特征，得到全局高维特征输出矩阵，包括：

随机生成z个输入权重向量和z个输入偏置标量b_j，j＝1,2,…,z；

计算所述样本集合中样本x_i的高维特征其中g(·)为激活函数；

计算所述有标签样本集合的高维特征输出矩阵计算所述无标签样本集合的高维特征输出矩阵

计算所述样本集合的全局高维特征输出矩阵

进一步地，所述基于全局拉普拉斯矩阵、全局样本权重矩阵、全局高维特征输出矩阵以及先验知识，对分类器进行初步调整，得到初始输出权重，包括：

若z≤n，则所述分类器的初始输出权重Ω_M为：

若z＞n，则所述分类器的初始输出权重Ω_M为：