[发明专利]一种面向生产要素数据流的低维子空间共享表示方法

权利要求书

1.一种面向生产要素数据流的低维子空间共享表示方法，其特征在于，包括以下步骤：

多源异构生产要素的高维冗余特征同构子空间表示：将多个表示生产要素的异构数据映射到同一个高维冗余特征同构空间；

低维语义共享子空间表示：基于多源异构生产要素相关性的特征学习方法，将高维冗余特征同构空间中的冗余特征映射到低维语义共享子空间。

2.根据权利要求1所述的一种面向生产要素数据流的低维子空间共享表示方法，其特征在于，还包括：面向多源异构数据流的优化过程：通过构建异构数据的关键分量学习模型以及基于关键分量的数据压缩嵌入和元向量，以加速数据流下的多源异构数据共享子空间表示。

3.根据权利要求1所述的一种面向生产要素数据流的低维子空间共享表示方法，其特征在于，所述多源异构生产要素的高维冗余特征同构子空间表示，包括以下步骤：

将多源异构数据分解为关键分量、冗余分量和噪声分量，基于冗余分量将异构数据进行关联，并将互相关联的异构数据中的关键分量进行耦合，以将多个异构数据映射到一个高维冗余特征同构空间；

学习多个异构特征空间向唯一高维冗余特征同构空间的线性变换，并利用生成对抗网络对其进行训练。

4.根据权利要求3所述的一种面向生产要素数据流的低维子空间共享表示方法，其特征在于，所述线性变换为：

s.t.||A||_*≤ε/||X||_*and||B||_*≤γ/||Y||_*

其中，X和Y分别表示冗余分量关联下的两种异构数据，A和B分别表示需要进行学习的异构数据X和Y向高维冗余特征同构空间映射的线性变换，ε和γ为正参数。

5.根据权利要求1所述的一种面向生产要素数据流的低维子空间共享表示方法，其特征在于，所述低维语义共享子空间表示，具体为：

基于迹比准则，学习将高维冗余特征同构空间中的冗余特征映射到低维语义共享子空间的映射矩阵Θ，并利用映射矩阵Θ的正交约束消除冗余分量。

6.根据权利要求5所述的一种面向生产要素数据流的低维子空间共享表示方法，其特征在于，所述利用映射矩阵Θ的正交约束消除冗余分量，具体为：

其中，Θ∈R^p×k表示需学习到的映射矩阵，p表示高维冗余空间维数，k表示子空间维数，R表示实数空间，tr表示矩阵的迹，J和R表示不同模态，J_D和R_D表示不同模态的类间散点矩阵，J_S和R_S表示不同模态间的类内散点矩阵，I为单位矩阵。

7.根据权利要求2所述的一种面向生产要素数据流的低维子空间共享表示方法，其特征在于，所述面向多源异构数据流的优化，包括以下步骤：

a)构建异构数据的TPA-LSTM关键分量学习模型，并学习到关键分量；

b)根据关键分量学习历史异构数据的压缩嵌入和元向量，并对历史异构数据的压缩嵌入与元向量进行增量学习，以缩短数据流中当前数据的训练时间。