[发明专利]一种宽度稀疏分类方法及装置

说明书

本申请提供了一种宽度稀疏分类方法及装置，包括：构建目标宽度学习模型；将待训练数据集代入所述目标宽度学习模型，得到输出矩阵；基于所述输出矩阵确定所述待训练数据集的分类边界；判断所述分类边界与预设阈值的大小；若所述分类边界大于所述预设阈值，则采用所述目标宽度学习模型对所述待训练数据集进行分类，得到分类结果；若所述分类边界小于或者等于所述预设阈值，则采用稀疏表示分类方法对所述待训练数据集进行分类，得到分类结果。将宽度学习系统与稀疏表示分类方法进行结合，可以根据实际的待训练数据集进行适应性选择，解决了单一的分类方法带来的稳定性差，抗干扰能力弱，计算繁琐等导致分类不准确的问题。

技术领域

本申请涉及数据分类技术领域，尤其是涉及一种宽度稀疏分类方法及装置。

背景技术

分类问题是机器学习领域的研究热点。宽度学习系统BLS是一种宽扁型神经网络，与其他网络相比，BLS结构简单，仅由特征节点，增强节点和目标系数组成。同时，BLS的建模过程更加高效。BLS采用仅需迭代一次的岭回归算法求解目标系数，而深层网络则采用需要迭代多次的梯度下降法求解参数。稀疏表示分类SRC是一种基于表示的分类方法，SRC解决分类问题的基本思想是，一个未知的测试样本能够利用字典中已知样本的稀疏线性组合来逼近。

但是在实际运用中，宽度学习系统BLS由于不同数据集之间存在差异性，仅采用经验正则化参数难以降低BLS在不同环境下的误差与复杂度，使得模型难以获得最优的分类超平面，这限制了BLS的泛化性能。针对具有噪声样本的分类任务，尤其是图像分类任务，传统BLS难以处理失准特征，出现稳定性差，抗干扰能力弱等问题，致使分类效果不理想。而SRC在分类过程中会受困于范数优化问题以及字典冗余性的问题，测试样本将陷入极其耗时的查询过程，带来分类效果不理想的问题。

发明内容

有鉴于此，本申请的目的在于提供一种宽度稀疏分类方法，包括：

构建目标宽度学习模型，其中，所述目标宽度学习模型内的正则化参数通过留一交叉验证法确定；

将待训练数据集代入所述目标宽度学习模型，得到输出矩阵；

基于所述输出矩阵确定所述待训练数据集的分类边界；

判断所述分类边界与预设阈值的大小；

若所述分类边界大于所述预设阈值，则采用所述目标宽度学习模型对所述待训练数据集进行分类，得到分类结果；

若所述分类边界小于或者等于所述预设阈值，则采用稀疏表示分类方法对所述待训练数据集进行分类，得到分类结果。

可选的，所述构建目标宽度学习模型的步骤，包括：

利用随机生成的权重和偏差构建所述待训练数据集的特征节点和所述待训练数据集的增强节点，得到所述待训练数据集的节点矩阵；

计算所述节点矩阵的均方误差集，在所述均方误差集中确定最小均方根误差；

基于所述最小均方误差确定目标正则化参数；

根据所述目标正则化参数构建目标宽度学习模型。

可选的，所述计算所述节点矩阵的均方根误差集的步骤，包括：

采用SVD法对所述节点矩阵进行分解，得到分解后的节点矩阵；

基于所述分解后的节点矩阵通过：

计算得出所述节点矩阵的均方根误差集，其中，N为所述待训练数据集的总数目，y_i和为第i个数据的实际输出和期望输出，(HAT_BLS)_ii表示HAT_BLS矩阵对角线上的第i个值，HAT_BLS矩阵为BLS的HAT矩阵。