[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

权利要求书

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。

2.根据权利要求1所述的基于超图p-Laplacian图卷积神经网络的半监督分类方法，其特征在于，所述步骤2中，首先计算数据的p-Laplacian矩阵L_p，然后在其基础上计算超图p-Laplacian矩阵HL_p；在超图p-Laplacian矩阵HL_p的基础上构造样本的局部结构信息矩阵其中，λ_max表示HL_p矩阵特征分解的最大特征值。

3.根据权利要求1所述的基于超图p-Laplacian图卷积神经网络的半监督分类方法，其特征在于，所述步骤3中，HpLapGCN模型为

其中，H^(L+1)为第L+1层网络输出；

σ表示线性激活函数；

表示样本的结构信息；

H^(L)为第L层的网络输出；

W^(L)为第L层的权重。

4.根据权利要求1所述的基于超图p-Laplacian图卷积神经网络的半监督分类方法，其特征在于，所述步骤4中，首先，利用Xavier方法初始化第一层网络权重W¹；然后，进行第一层卷积操作

其中，RELU是线性激活函数，是一种人工神经网络中常用的激活函数，f(x)＝max(0，x)；其中，H⁽⁰⁾＝X表示最初的样本特征向量矩阵，得到第一层网络的输出H⁽¹⁾。

5.根据权利要求1所述的基于超图p-Laplacian图卷积神经网络的半监督分类方法，其特征在于，所述步骤5具体为：首先，将第一层卷积网络的输出H⁽¹⁾作为第二层卷积网络输入的样本特征向量矩阵；其次，利用Xavier方法初始化第二层网络权重W²；

然后，构造第二层卷积网络公式将第二层网络的输入H⁽¹⁾与结构信息矩阵进行融合，得到第二层网络的输出。

6.根据权利要求1所述的基于超图p-Laplacian图卷积神经网络的半监督分类方法，其特征在于，所述步骤6具体为：首先，将最后一层卷积网络的输出作为softmax分类器的输入；通过softmax函数将每个样本特征矩阵转换成属于每个类的概率向量矩阵；然后，取概率值最大的作为样本的分类，给出样本的标签信息或者识别率。

7.根据权利要求1所述的基于超图p-Laplacian图卷积神经网络的半监督分类方法，其特征在于，所述步骤7具体为：根据交叉熵损失函数C＝-∑_ky_klogZ_K通过使其损失值最小来选择最优的网络模型参数；其中y_k表示真实的标签信息，Z_K表示经过softmax函数输出的概率向量矩阵。

8.根据权利要求3或4所述的基于超图p-Laplacian图卷积神经网络的半监督分类方法，其特征在于，所述第一层网络权重W¹和第二层网络权重W²均满足的均匀分布。