[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

说明书

一种基于自适应图的半监督宽度学习分类方法及设备，分类方法包括以下步骤：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。本发明联合优化基于稀疏自编码器的特征提取过程和自适应图结构学习过程进行分类，提高了算法的稳定性和性能。

技术领域

本发明属于机器学习领域，涉及一种基于自适应图的半监督宽度学习分类方法及设备。

背景技术

基于图的半监督学习方法是半监督学习中的一个研究热点。它的中心思想是探索数据点之间的成对亲和力，以便推断给定未标记数据的标签。它可以将全局数据集建模为一个图，其中顶点表示数据，边表示成对的相似性，较大的边权重表示两个数据点成为同一标签的概率较大。传统基于图的半监督学习方法分为两个阶段：1)构造亲和矩阵；2)推断未知数据的标签。其实质是基于流形正则化框架的标签传播，该框架利用图形的几何分布，将标记样本的信息传递给未标记样本。

宽度学习系统是一种高效的增量学习系统，它基于随机向量函数链接神经网络。其结构简单，由特征节点、增强节点和输出权值组成。特征节点和增强节点能够有效地从数据中提取特征，维护系统对数据的有效性。输出权值将每个节点与目标矩阵联系起来。另外，为了保证宽度学习系统的建模效率，可以通过伪逆的方法得到输出权值。除了输出权重，宽度学习系统中的其他权重和偏差都是随机生成的。另外，在宽度学习系统中加入了增量学习算法，使得网络在大范围扩展时可以快速重构，而不需要再训练过程。因此，宽度学习系统结构非常适合在时变大数据环境中建模和学习。

目前，传统基于图的半监督学习方法只是简单地引入了流形正则化框架用于标签传播。将相似矩阵的构造和未知标签的推断看作两个独立的阶段，不能考虑相似矩阵与标签信息之间的相关性，并且相似矩阵在初始化之后并没有进行更新。而且直接通过输入数据进行分类学习，没有对输入数据进行深层的特征提取。这样处理并不准确，其结果也并不稳定，同时也不利于构建高效的迭代算法。

发明内容

本发明的目的在于针对上述现有技术中问题，提供一种基于自适应图的半监督宽度学习分类方法及设备，利用了相似矩阵与标签信息之间的相关性，对未知标签数据进行标签推断，并且根据局部距离为每个数据点分配自适应的和最优的邻域来学习数据相似矩阵，根据输入数据、特征矩阵和标签信息来不断更新学习相似矩阵，提高算法的稳定性和性能。

为了实现上述目的，本发明有如下的技术方案：

一种基于自适应图的半监督宽度学习分类方法，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。

作为本发明的一种优选方案，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：