[发明专利]一种多视角数据的半监督特征选择方法

摘要

本发明公开了一种多视角数据的半监督特征选择方法，该方法首先从不同的视角采集数据的特征构成数据样本，继而构建数据样本的特征选择矩阵、拉普拉斯矩阵、对角矩阵，然后利用特征选择矩阵定义目标函数，对特征选择矩阵更新并使目标函数收敛，然后利用收敛时的特征选择矩阵构成的分类器对样本进行分类。本发明有效地发掘出数据样本的内在结构，充分利用了所有数据样本的结构特性，能够在半监督场景下对多视角数据实现特征选择，在只具有少量标签数据的情况下取得了较好的分类性能。

主权项

一种多视角数据的半监督特征选择方法，其特征在于，包括以下步骤：步骤一，数据预处理从k个不同的视角采集数据的特征构成数据样本X：X＝[x1,x2,...,xn]∈Rd×n，上式中，n为样本数，d为特征，R为实数集，xi为样本，i∈(1,n)，记X为训练数据集；对xi的每个视角中的特征进行归一化处理；定义Y∈{0,1}n×c为训练数据集X相应的类别矩阵，类别矩阵表示样本数据的分类结果，c为类别数目；定义W为训练数据集X相应的特征选择矩阵：W=w1(1)...wc(1)...wi(z)...w1(k)...wc(k)∈Rd×c]]>上式中，代表第z个视角的全部特征对第i类数据的分类能力，Wi(z，q)表示第z个视角中第q个特征对第i类数据的分类能力，dz为第z个视角的特征总数；步骤二，构建数据样本X的拉普拉斯矩阵L和选择对角矩阵U；步骤三，定义目标函数定义目标函数obj(W)为：obj(W)=Tr(FTLF)+Tr((F-Y)TU(F-Y))+μ||XTW+1nbT-F||F2+γ1||W||G1+γ2||W||2,1]]>上式中，||·||2,1分别表示矩阵的Frobenius范数的平方，group l1(G1)范数和l2,1范数；F＝[f1,f2,....,fn]T∈Rn×c为数据样本X的预测标签矩阵，fi(1≤i≤n)为xi的预测类别向量，b∈Rc×1表示偏移项，Tr(·)表示矩阵主对角线元素之和，1n∈{1}n×1为元素都为1的列向量，μ、γ1、γ2是调节参数，取值均为10‑3；步骤四，更新特征选择矩阵W计算中间常量矩阵H、A、B:其中I是一个单位矩阵，1n∈{1}n×1为元素都为1的列向量；A＝XH(μI‑μ2(L+U+μH)‑1)HXT，其中μ是调节参数，取值为10‑3；B＝μXH(L+U+μH)‑1UY，记bl是B的第l列元素；随机初始化在时刻t＝0时W∈Rd×c，然后利用下面的公式更新W的每一列wl，l表示列号：(wt+1)l=(2A+γ1D~t+γ2(Dt)l)-1(2bl)]]>上式中，(wt+1)l为t+1时刻的wl，Dl和都是对角矩阵，其中(Dt)l代表t时刻用以计算(wt+1)l的Dl，代表t时刻的γ1、γ2表示调节参数，取值均为10‑3；步骤五，将更新后的W代入目标函数obj(W)直至目标函数收敛，然后利用(XTW+b)对样本进行分类，得到最终的分类结果。