[发明专利]一种基于L21范数约束的软标注宽度学习模式分类方法

权利要求书

1.一种基于L21范数约束的软标注宽度学习模式分类方法，其特征在于，其步骤如下：

步骤一，获取特征数据集和标签矩阵，通过宽度学习网络将特征数据集转化为宽度转换特征；

步骤二，利用宽度转换特征，引入松弛标注和正则化，构建基于松弛标注和l₂₁范数正则化的判别宽度学习网络模型；

步骤三，引入交替方向乘子法，利用迭代法求解判别宽度学习网络模型的优化目标，并利用优化后的判别宽度学习网络模型实现图像分类。

2.根据权利要求1所述的基于L21范数约束的软标注宽度学习模式分类方法，其特征在于，所述通过宽度学习网络将特征数据集转化为宽度转换特征的方法为：

输入训练数据X，通过线性映射函数φ_i，产生一系列N_w组随机映射特征，则第i组映射特征为：

其中，i＝1，2，...，N_w，表示权重，表示偏置项，和是网络随机生成的；

将训练样本的特征空间定义为在增强层中输入可以得到m组增强节点，其中第j组增强节点为：

其中，ξ_j表示激活函数，表示权重，表示偏置；

将所有的增强节点合并在一起表示为：

将特征层和增强层合并成得到宽度转换特征A：

3.根据权利要求2所述的基于L21范数约束的软标注宽度学习模式分类方法，其特征在于，所述基于松弛标注和l₂₁范数正则化的判别宽度学习网络模型为：

其中，i′＝1，2，...，n，T表示目标矩阵，A表示训练样本宽度转换特征矩阵，W表示宽度网络所训练出的权重，λ₁、λ₂表示正则化参数，||·||_F表示矩阵的Frobenius范数，||·||_2，1表示矩阵的l_2，1范数，表示第i′行第y_i′列的目标值，T_i′，j′表示第i′行第j列的目标值。

4.根据权利要求3所述的基于L21范数约束的软标注宽度学习模式分类方法，其特征在于，所述利用迭代法求解判别宽度学习网络模型的优化目标的方法为：

S31、固定T求解W：

令

对W求偏导，令导数等于0，可以得到：

其中，D的求解依赖于W，令W^t为第t次迭代的结果，则第t+1次迭代的W^t+1可以由以下公式得到：

其中，W^t+1为第t+1次迭代的结果，D为由对角元素D_ii＝1/||wⁱ||₂组成的对角矩阵，I_d表示d阶单位矩阵，R表示回归结果；

S32、固定W求解T：

通过修正回归矩阵W，将松弛标注的l₂₁范数正则化的判别宽度学习更改为松弛标注函数：

其中，表示回归结果AW，

上述松弛标注函数可以分解为N个子函数，通过对子函数的求解可以得到：

其中，t_i″表示第i″行的目标矢量，r_i″表示第i″行的回归矢量，Δ表示阶跃参数，v_i″表示变量，i″＝1，2，...，c，k＝1，2，...，c，c表示目标矩阵的列数；

S33、通过步骤S31和S32的迭代计算，从而得到W和T的最优解。