[发明专利]应用于大数据行为识别的监督降维方法

摘要

本发明涉及一种应用于大数据行为识别的监督降维方法，关联线性近似稀疏表示LASRC快速分类算法将高维的行为数据投影到一个低维空间时可以保留数据的类别信息，实现数据维数的有效缩减，OP‑LASRC用分类残差为标准，追求一个线性正交投影，这赋予了OP‑LASRC的监督作用，将高维的行为图片转化为具有分歧信息的小特征来分类，计算数量少，能降低存储和提高分类效率，从而LASRC快速分类算法达到较高的识别。在KTH行为数据库上从精确度、速度、鲁棒性来验证OP‑LASRC算法，从而验证OP‑LASRC能完美匹配LASRC算法，关联降维和分类的结构，可以组成一个行为识别的系统，高效的运用于大数据的行为识别。

主权项

1.一种应用于大数据行为识别的监督降维方法，其特征在于，具体包括如下步骤：1)、对训练样本用主成分分析PCA降维处理，保留特征信息；2)、由降维后的训练样本构成过完备字典A，A＝[A₁,A₂,.....,A_c]＝[v_1,1,v_1,2,....v_1,j,v_2,1,v_2,2......v_i,j],i＝c,j＝e,A＝[A₁,A₂,.....,A_c]∈R^N×M,A是一个N行M列的矩阵,共有c类，每类有e幅图，一共c×e＝n幅图，每一个样本是v_i，j，按顺序分离出每个训练样本当做测试样本y，对于每个测试样本y用训练样本线性表示：y＝α_i,1v_i,1+α_i,2v_i,2+α_i,3v_i,3+...+α_i,jv_i,j＝Ax₀其中x₀是方程系数向量，如果x₀是稀疏的，理想情况下与测试样本有关的一类训练样本前面的系数非零，其他的系数都为0，当n足够大时，x₀表示为:x₀＝[0,...,0,α_i,1,α_i,2,...,α_i,j,0,...,0]^T系数向量x₀，可通过解方程y＝Ax₀得到，可先变为L2范数的求解问题：用公式算出对应的稀疏系数3)、用下面公式算出本类重构残差R_W和类间重构残差R_B，并用公式(βR_B‑R_W)p_k＝λ_kp_k,k＝1,2,...,d，求取矩阵P；P＝[p₁,p₂,....p_k,]；λ_k是βR_B‑R_W的特征值，p_k是对应的特征向量，为让本类重构残差尽量小，让类间重构残差尽量大，选择最大的标准矩阵P由d个最大的特征值对应的特征向量组成，β是一个恒定的参数，用于平衡本类重构残差和类间重构残差的信息，δ_l(x₀)为整个稀疏系数，为每一类的稀疏系数；4)、受监督降维后的矩阵B＝P^TA，B代替A矩阵用步骤2)中先变为L2范数的求解问题，再用公式估算对应的稀疏系数5)、从稀疏系数中选出前w个最大的系数，找到对应的训练样本的类别，这些类的训练样本组成新的完备字典Ω，测试样本表示为y＝Ωx₀；6)、对于步骤5)所得y＝Ωx₀，通过L1范数求解，求解公式：λ是稀疏控制系数，求解得到稀疏系数x₀；7)、通过公式计算残差r_i(y)，残差最小的一类，即为识别结果。