[发明专利]一种超图卷积网络模型及其半监督分类方法

权利要求书

1.一种超图卷积网络模型及其半监督分类方法，其特征在于：包括如下步骤：

步骤1：对非欧式结构的样本数据特征进行稀疏编码，形成样本表示系数矩阵；

步骤2：依据样本的相似性构建超边，计算超边权重，构建超图模型；

步骤3：借助于超图谱理论，定义超图上的卷积运算，构建超图卷积网络模型；

步骤4：定义超图卷积网络上的半监督学习方法，设计损失函数，旨在利用少量标定样本的类别信息，预测所有样本的类别标签；

步骤5：分别制作训练、验证和测试的半给定标签矩阵，设置超参数，利用Adam随机梯度下降算法训练网络模型；

步骤6：对于给定数据，用训练好的模型预测未知的样本类别，实现半监督分类。

2.根据权利要求1所述的超图卷积网络模型及其半监督分类方法，其特征在于：步骤3包括如下步骤：

步骤3.1：借助于超图谱理论，在频域定义超图上的卷积预算，并进一步简化卷积运算操作，只需中心节点以及一阶近邻节点参与卷积操作，以有效降低运算复杂度；

步骤3.2：在超图上级联卷积滤波操作，引入非线性激活函数，定义超图上的深度卷积操作，通过多个卷积层的叠加处理，形成样本特征的逐层抽象表达，实现特征的自适应学习与表示。

3.根据权利要求1所述的超图卷积网络模型及其半监督分类方法，其特征在于：步骤4包括如下步骤：

步骤4.1：定义超图卷积网络上的半监督学习方法，在网络的最后级联softmax层输出分类结果，

步骤4.2：建立半监督分类任务定义损失函数，如交叉熵，并设定卷积核参数以及正则性因子为待学习的变量参数，损失函数约束在标定样本上网络预测的分类标签与真实标签趋于一致。

4.根据权利要求1所述的超图卷积网络模型及其半监督分类方法，其特征在于：在步骤2中，依据样本的系数矩阵，计算样本间的相似性进而构建超边，计算超边权重，进而构建超图模型G＝(V,E,w)，其中V为顶点集合，E为超边集合，w为超边权重，计算超图的拉普拉斯矩阵其中D_v为顶点的度矩阵，D_e为超边的度矩阵，H为超图的入射矩阵，表示各超边的构成，A为超边权重构成的对角矩阵。