[发明专利]基于自适应图的半监督宽度学习分类方法及设备

权利要求书

1.一种基于自适应图的半监督宽度学习分类方法，其特征在于，包括以下步骤：

先将输入数据进行随机权值映射，将映射后的特征存储在特征节点中，然后通过相似的非线性特征映射将特征节点扩展到增强节点，最后将特征节点和增强节点结合形成输入数据的特征映射矩阵；

基于流行正则化框架的半监督学习，利用输入数据和输入数据的特征映射矩阵学习相似性矩阵，同时推断未知标签，得到损失函数；

对于提出的损失函数，对每个变量求出局部最优解，进行迭代优化，完成半监督分类。

2.根据权利要求1所述基于自适应图的半监督宽度学习分类方法，其特征在于，所述将输入数据进行随机权值映射，将映射后的特征存储在特征节点中的表达式如下：

式中，X为输入数据，权重W_ei和偏置β_ei为随机权重矩阵，是一个线性变换；

所述通过相似的非线性特征映射将特征节点扩展到增强节点的表达式如下：

H_j＝ξ_j(ZⁿW_hj+β_hj)，j＝1，2，...，m

式中，Zⁿ为输入数据的随机线性映射，权重W_hj和偏置β_hj是随机权重矩阵，ξ_j是一个非线性变换；

所述将特征节点和增强节点结合形成输入数据的特征映射矩阵的表达式如下：

A＝[Zⁿ|H^m]

式中，Zⁿ为输入数据的随机线性映射，H^m为由特征节点扩展的非线性特征映射。

3.根据权利要求2所述基于自适应图的半监督宽度学习分类方法，其特征在于，所述的输入数据取自给定半监督数据集{X∈R^(l+u)*d，Y∈R^(l+u)*c}，X被分为两部分，分别是已标记数据集和未标记数据集Y的前l行为Y_l，其余行都为0，其中l和u分别为已标记数据和未标记数据的数量，d为输入数据的维度，c为输入数据的种类数。

4.根据权利要求1所述基于自适应图的半监督宽度学习分类方法，其特征在于，所述的损失函数的表达式如下：

f_i＝a(x_i)β，i＝1，...l+u

S1＝1，S≥0

式中，a(x_i)是关于x_i的特征映射向量，β是输出系数，F是标签矩阵，f_i是关于x_i的标签向量，λ是权衡参数，θ表示对β的进一步约束，e_i是关于训练样本x_i的训练误差向量；C_i是正则化参数，用来表示训练误差最小化和边际距离最大化之间的权衡；γ表示对的进一步约束；S是相似矩阵，L_S为图拉普拉斯矩阵，L_S＝D-(S^T+S)/2，D为对角矩阵。

5.根据权利要求4所述基于自适应图的半监督宽度学习分类方法，其特征在于，当S固定时，关于β的损失函数为：

f_i＝a(x_i)β，i＝1，...l+u

其无约束条件的拉格朗日形式为：

式中，Y为增强训练目标，其中前1行为已标记数据的标签，剩下的行都为0，C是对角矩阵，其中前l个对角元素为C_i，i＝1，...l，剩余的对角元素都为0。