[发明专利]一种基于稀疏分解l0图的局部全局一致性分类方法

说明书

技术领域

本发明涉及一种基于稀疏分解l₀图的局部全局一致性分类方法，属于一种基于图的半监督分类方法。

背景技术

近年来同时使用少量有标记数据和大量无标记数据的半监督学习得到了深入的研究，该方法在提高分类器性能的同时降低了人工标注成本，其研究成果已广泛应用到网页检索、图像分类等各个领域。现有的半监督学习方法有：Self-training算法、Co-training算法、半监督SVM以及基于图的半监督分类方法等。

基于图的半监督学习方法通常先定义一个图，图上结点是有标记和无标记数据的集合，根据某种相似度准则确定边的权重，然后定义能量函数优化框架并求解，能量函数由损失项和正则项构成。此类算法本质上是一种无参的、可判别的、直推的学习方法，直接或间接的利用了流形假设，具有较好的数学基础，是当前半监督学习的一个研究热点。Blum和Chawla将半监督学习方法看作图的最小割问题，Zhu等人利用高斯随机场以及谐波函数来解决图上的半监督学习。受高斯随机场的影响，Zhou于2004年提出了局部与全局一致性学习算法，这些算法最本质的区别就是采用了不同的损失函数和正则项。有研究指出，在基于图的半监督学习中，构造一个合适的图比选择优化方法更重要，但图的构造方法至今也得到很好的研究，目前使用较多的图有RBF图、KNN图、ε-图以及LLE图等。

2009年，Wright提出的基于稀疏分解的SRC方法在人脸识别中取得了较好的效果。他指出在足够多训练样本情况下，若以训练样本作为稀疏分解的字典，则测试样本可用训练样本的线性组合来表示，而且理想情况下，每个测试样本系数非零所对应的样本将属于同一类。Yan等受Wright的启发提出了基于稀疏分解的L₁构图法，该构图过程利用基追踪法进行稀疏分解，通过寻求信号在冗余字典中的最稀疏表示，用尽可能少的原子尽可能精的表示信号，获得信号的内在本质特征。但该过程并不适用于获取图的最相似结点，并且由于基追踪法要在字典的所有原子中极小化一个全局目标函数，计算量非常大。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于稀疏分解l₀图的局部全局一致性分类方法，

本发明的思想在于：基于贪心选择原理，能够选择出最能逼近待分解数据几个原子，并根据稀疏系数向量确定图的邻接结构和权重。l₀图过程首先利用KMEANS算法选择待分解数据的稀疏分解字典，然后有限次的迭代匹配追踪算法找出最能逼近待分解数据几个原子及其权重，提高了算法效率，并将得到的图引用到局部全局一致性分类方法。

技术方案

一种基于稀疏分解l₀图的局部全局一致性分类方法，其特征在于步骤如下：

步骤1稀疏分解l₀图的构造：

步骤a：使用KMEANS聚类算法将整个待分类数据X划分为k个子集，k为类别数；

步骤b：定义一个n×n的邻接矩阵W，其元素初始化为0，n为待分类数据总数；

步骤c：以第i个待分类数据x_i为待分解信号，稀疏分解字典D_i由x_i所属聚类子集构成，x_i不包括在D_i中，1≤i≤n，n为待分类数据总数；

步骤d：预设最大迭代次数为T，迭代终止误差为ε_stop，当前迭代次数t初始化为0，对待分解信号x_i，基于字典D_i利用

|<xi,ds>|=supj∈Γ|<xi,dj>|]]>