[发明专利]一种基于超图p-Laplacian图卷积神经网络的半监督分类方法在审
| 申请号： | 201811608281.3 | 申请日： | 2018-12-27 |
| 公开（公告）号： | CN109766935A | 公开（公告）日： | 2019-05-17 |
| 发明（设计）人： | 傅司超;赵珂文;刘伟锋;聂礼强 | 申请（专利权）人： | 中国石油大学（华东）;山东大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 青岛致嘉知识产权代理事务所(普通合伙) 37236 | 代理人： | 单虎 |
| 地址： | 266580 山东省*** | 国省代码： | 山东;37 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于超图p‑Laplacian图卷积神经网络的半监督分类方法，属于半监督分类技术领域。包括：1：提取训练样本特征；2：计算超图p‑Laplacian矩阵；3：计算结构信息矩阵；4：建立超图p‑Laplacian的图卷积神经网络模型；5：对训练样本特征进行卷积操作，得到第一层网络输出；6：每一层网络的输出作为下一层网络的输入；7：将最后一层卷积网络的输出作为分类器的输入，得到模型参数；8：然后计算验证样本的交叉熵损失，选择最好的模型参数；9：提取测试样本的特征；10：将最后一层卷积网络输出的特征向量送到分类器进行分类。本申请采用多次卷积操作，能够大幅度提高模型分类效果。 | ||
| 搜索关键词： | 卷积 半监督 模型参数 神经网络 网络输出 训练样本 分类器 分类 神经网络模型 测试样本 分类技术 计算结构 模型分类 特征向量 信息矩阵 输出 网络 第一层 交叉熵 样本 验证 申请 | ||
【主权项】：
1.一种基于超图p‑Laplacian图卷积神经网络的半监督分类方法，其特征在于，包括：步骤1：提取训练数据的特征向量矩阵；步骤2：根据特征向量矩阵，计算其数据的超图p‑Laplacian矩阵，然后在其基础上计算样本结构信息矩阵；步骤3：在结构信息矩阵的基础上建立基于超图p‑Laplacian的图卷积神经网络模型(HpLapGCN)；步骤4：用HpLapGCN模型对训练样本的特征向量矩阵进行卷积操作，得到第一层网络的输出；步骤5：将每一层网络的输出特征向量矩阵作为下一层网络的输入，重复可得到多层的HpLapGCN网络；步骤6：将最后一层网络的输出作为分类器的输入，给出每个训练样本所对应的预测标签以及获得各种不同的实验参数；步骤7：将训练数据中所学习到网络模型在验证数据集进行训练，得到最优参数的网络模型；步骤8：将最优参数的网络模型对测试样本进行多层卷积操作，然后把最后一层网络输出的特征向量矩阵送到分类器进行分类，得到数据的预测标签信息。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中国石油大学（华东）;山东大学，未经中国石油大学（华东）;山东大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811608281.3/，转载请声明来源钻瓜专利网。
