[发明专利]一种增量无监督多模态相关特征学习模型在审
| 申请号： | 201911048971.2 | 申请日： | 2019-10-31 |
| 公开（公告）号： | CN110781972A | 公开（公告）日： | 2020-02-11 |
| 发明（设计）人： | 赵亮;杨韬;孙婷婷;张洁;陈志奎 | 申请（专利权）人： | 大连理工大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 21200 大连理工大学专利中心 | 代理人： | 李晓亮;潘迅 |
| 地址： | 116024 辽*** | 国省代码： | 辽宁;21 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 提供一种增量无监督多模态相关特征学习模型，属于计算机技术领域。首先，获取已完成特征学习实例的相关数据，对新到来的多模态数据实例进行归一化和特殊值预处理。其次，构建基于非负矩阵分解的增量无监督多模态相关特征学习模型。再次，根据模型推导出模型中模态投影矩阵和新实例模态私有特征和共享特征的更新公式，对其进行联合优化。最后，计算模型值，判断本次模型值与上次模型值的变化幅度是否满足收敛条件，若满足，则计算得到的新实例的低维共享特征为模型的执行结果；否则重复第三步直至收敛。本发明构建一种行之有效的模型来解决增量多模态数据特征学习的问题，通过大量实验验证，本发明所学习到的特征表示性能要优于现阶段相关模型。 | ||
| 搜索关键词： | 特征学习 多模态数据 多模态 无监督 构建 模态 预处理 计算机技术领域 变化幅度 非负矩阵 计算模型 联合优化 实验验证 收敛条件 特征表示 投影矩阵 共享 归一化 推导 低维 收敛 分解 重复 更新 学习 | ||
【主权项】：
1.一种增量无监督多模态相关特征学习模型，其特征在于，包括以下步骤：/n第一步，在增量的初始阶段，获取已完成计算实例的相关数据，对新到来的多模态数据实例进行归一化和特殊值预处理；/n在增量的初始阶段，给定已完成特征学习的多模态数据实例的相关数据，包括其数据集
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大连理工大学，未经大连理工大学许可，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/201911048971.2/，转载请声明来源钻瓜专利网。
