[发明专利]一种基于主成分分析改进生成对抗网络的半监督分类方法

权利要求书

1.一种基于主成分分析改进生成对抗网络的半监督分类方法，其特征在于，所述基于主成分分析改进生成对抗网络的半监督分类方法包括：

步骤一：初始化各项参数，设置迭代次数n，样本数据为x，噪声为z，每次输入的图片数量bach_size，噪声的维度z_dim；

步骤二：获取一个bach_size数量的图片，使用主成分分析法PCA将每张图片压缩至z_dim维，作为生成器的输入z；

步骤三：将z输入生成对抗网络的生成器，用于训练生成器，生成图片G(z)；

步骤四：将生成图片G(z)和真实图片x作为判别器D的输入，用于训练判别器，判别器判断图片属于哪一类；

步骤五：根据判别器的结果通过反向传播，以最小化损失函数L为目标，调整生成器和判别器的参数；

步骤六：重复步骤一至步骤五，直到达到指定的迭代次数。

2.如权利要求1所述基于主成分分析改进生成对抗网络的半监督分类方法及系统，其特征在于，步骤二中，主成分分析法压缩图片至z_dim维的方法包括：

(1)去除平均值；

(2)计算协方差矩阵；

(3)计算协方差矩阵的特征值和特征向量；

(4)将特征值排序；

(5)保留前z_dim个最大的特征值对应的特征向量；

(6)将数据转换到上面得到的z_dim个特征向量构建的新空间中(实现了特征压缩)。

3.如权利要求1所述基于主成分分析改进生成对抗网络的半监督分类方法及系统，其特征在于，步骤三中，所述生成器包括：

损失函数为：

4.如权利要求1所述基于主成分分析改进生成对抗网络的半监督分类方法及系统，其特征在于，步骤四中，判别器的损失函数为：

L＝L_supervised+L_unsupervised，

其中，

L_supervised表示的是用带标签图训练时的损失函数，即监督学习的损失，L_unsupervised代表使用无标签图训练的损失函数，无监督学习的损失；

对于无监督学习，令

D(x)＝1-p_model(y＝K+1|x)

其中p_model表示判别是假图像的概率，那么D(x)就代表了输出是真图像的概率，无监督学习的损失函数表示为

5.一种实施权利要求1所述基于主成分分析改进生成对抗网络的半监督分类方法的基于主成分分析改进生成对抗网络的半监督分类系统。

6.一种实施权利要求1所述基于主成分分析改进生成对抗网络的半监督分类方法的改进生成对抗网络半监督分类平台。