[发明专利]结构化多视图Hessian正则化稀疏特征选择方法

摘要

本发明公开了一种结构化多视图Hessian正则化稀疏特征选择方法，包括以下步骤：采集n个原始图像的底层视觉特征，得到m个视图图像特征矩阵，设X的特征选择映射矩阵为变量G，构建结构化多视图Hessian正则化稀疏特征选择的目标函数，通过迭代算法计算X的特征选择映射矩阵G，根据所得特征选择映射矩阵Gt，将进行降序排列，选取前ds个对应于X的特征作为特征选择后的特征子集。本发明在对多视图数据进行半监督特征选择时，不仅考虑每一个视图的重要性，还同时考虑了同一视图下不同特征的重要性，另外，利用多视图Hessian正则化进一步提升了半监督稀疏特征选择的性能，因此，本发明具有更好的特征选择性能。

主权项

1.一种结构化多视图Hessian正则化稀疏特征选择方法，其特征在于，包括以下步骤：1)采集n个原始图像的底层视觉特征，得到m个视图图像特征矩阵，其中，所述m个视图图像特征矩阵为：在所述公式(1)中，所述d_v为第v个视图图像特征维度；所述X^v为第v个视图图像特征矩阵，且在所述公式(2)中，x1v,x2v…,xlv为所述n个原始图像中第v个视图下l个有标签图像的特征向量，xl+1v,…,xnv为所述n个原始图像中第v个视图下n‑l个无标签图像的特征向量；2)设步骤1)所述X的特征选择映射矩阵为变量G，且：在所述公式(3)中，所述c为所述n个原始图像的标签的类别数；构建结构化多视图Hessian正则化稀疏特征选择的目标函数：在所述公式(4)中：为结构化多视图稀疏限定，其中，λ和γ均为正则化系数；为所述G的G₁范数，为所述G的l_2,1/2矩阵范数，g^i'＝[g₁^i' … g_c^i']∈R^1×c,1≤i'≤d，H为多视图Hessian，在公式(4)和(5)中，H^v为第v个视图Hessian；变量F为所述n个原始图像的预测标签矩阵，为多视图Hessian正则化；η_v为多视图Hessian正则化中第v个视图Hessian的权重；所述ε为η_v的指数，ε＞1；为损失函数；μ为正则化系数；Y＝[y1,y2…,yl,yl+1,…,yn]T∈{0,1}n×c为所述n个原始图像的标签矩阵；对角矩阵U∈Rn×n为根据所述X确定的决策规则矩阵，U＝(Ui”i”)n×n，1≤i”≤n，当1≤i”≤l时，对角元素为Ui”i”＝∞，当l＜i”≤n时，对角元素为Ui”i”＝1；3)通过迭代算法计算所述X的特征选择映射矩阵G，设Gs为在该次迭代时G的取值，ηvs为在该次迭代时ηv的取值，s＝1，2,……,t‑1；设G1为随机矩阵且ηv1＝1/m，将G1和ηv1作为初始值代入所述迭代算法中进行迭代计算，直至第t‑1次迭代后，该第t‑1次迭代所对应的目标函数的值与第t‑2次迭代所对应的目标函数的值的差小于10‑3时，迭代完成；此时，根据(gi)t确定特征选择映射矩阵Gt即为所述X的特征选择映射矩阵G；其中，每次迭代算法的计算过程为：将ηvs代入至所述公式(5)，得到在该次迭代时H的取值Hs，将Gs和Hs代入相应的公式(6)和(7)计算得到Ps和Qs；Ps＝(Hs+U+μI)‑1                     (6)Qs＝UY+μXTGs                        (7)根据公式(8)、(9)和(10)计算得到Fs、As和Bs，Fs为在该次迭代时F的取值；Fs＝PsQs                            (8)As＝X(μI‑μ2PsT)XT                    (9)Bs＝μXPsUY                          (10)其中，在公式(6)中所述I为单位矩阵；根据公式(11)和(12)计算得到对角元素为(wi'i')s的对角矩阵Ws和具有j个对角块的块对角矩阵(Di)s(1≤i≤c)；其中，在所述公式(12)中，Ij是维度为j*j的单位矩阵；将As、Bs、Ws和(Di)s代入所述公式(13)，得到(gi)s+1；(gi)s+1＝(As+4λWs+γ(Di)s)‑1Bs,1≤i≤c          (13)计算4)根据步骤3)所得特征选择映射矩阵G_t，将进行降序排列，选取前ds个对应于所述X的特征作为特征选择后的特征子集，其中，为步骤3)所得Gt所对应的gi′。