[发明专利]基于多视角主动学习的在线半监督分类方法及系统

权利要求书

1.一种基于多视角主动学习的在线半监督分类方法，其特征在于，所述在线半监督分类方法包括：

步骤S1：获取当前时刻的多视角数据；

步骤S2：基于所述多视角数据，通过多视角预测函数，估计视角数据的地物类别标签及次大标签t表示当前时刻；

步骤S3：根据所述地物类别标签及次大标签确定分类间隔q_t；

步骤S4：根据所述分类间隔q_t，对分类器进行更新，包括：

步骤S41：比较所述分类间隔q_t与设定的间隔阈值∈的大小；

步骤S42：如果所述分类间隔q_t间隔阈值∈，则当前视角数据为有标签数据，获取当前视角数据的真实标签y_t，令

步骤S43：根据所述有标签数据更新分类器,其方法包括：

根据计算多视角预测函数中得分最大的不相关类别，其中，k是一个变量，f_t，k表示多视角预测函数f_t的第k个元素的值，r_i为权重系数，多视角预测函数为

根据公式计算损失值l_t，其中max{}表示取其中的最大值；

若l_t＞0，通过在线半监督多视角学习模型更新分类器，所述在线半监督多视角学习模型为：

s.t.l(W；(x_t，y_t))≤ξ；

其中，l(W；(x_t，y_t))为损失函数，定义为ξ表示对多类分类损失函数的松弛约束，松弛变量ξ≥0；argmax{}表示取最大值函数，argmin{}表示取最小值函数，λ_i表示均衡参数，d表示视角一致性约束参数，c表示惩罚参数，θ表示图正则化参数；||·||_F为矩阵的Forbenius范数，||·||₁为矩阵的L1范数；B表示缓冲集，表示在b时刻第i个视角数据，是第i视角的两个数据和的距离度量，定义为

对于有标签数据，δ_t＝1，通过拉格朗日乘子法求解所述在线半监督多视角学习模型，可得如下更新方法：

根据以下公式计算辅助变量：

更新分类器：

步骤S44：如果所述分类间隔q_t≤间隔阈值∈，则确定当前视角数据的类别；

步骤S45：根据所述当前视角数据的类别对分类器进行更新，其方法为：

当所述当前视角数据为有标签数据时，确定所述当前视角数据是否为新类别：

如果为新类别，则通过公式对所述分类器进行增量拓展，并执行步骤S43；其中，其中K为当前的类数，n_i为第i个视角的维数，rand(·)表示生成均匀分布随机数；否则执行步骤S43；

当所述当前视角数据为无标签数据时，计算多视角预测函数中最大和次大得分对应的类别，即

通过在线半监督多视角学习模型更新分类器，所述在线半监督多视角学习模型为：

s.t.l(W；(x_t，y_t))≤ξ；

其中，l(W；(x_t，y_t))为损失函数，定义为ξ表示对多类分类损失函数的松弛约束，松弛变量ξ≥0；argmax{}表示取最大值函数，argmin{}表示取最小值函数，λ_i表示均衡参数，d表示视角一致性约束参数，c表示惩罚参数，θ表示图正则化参数；||·||_F为矩阵的Forbenius范数，||·||₁为矩阵的L1范数；B表示缓冲集，表示在b时刻第i个视角数据，是第i视角的两个数据和的距离度量，定义为

对于无标签数据，令δ_t＝0，通过拉格朗日乘子法求解所述在线半监督多视角学习模型，可得如下更新方法：

根据以下公式计算辅助变量：

更新分类器：