[发明专利]基于图平衡正则化的半监督超限学习机分类方法

权利要求书

1.一种 基于图平衡正则化的半监督超限学习机分类方法，其特征在于：该方法包括以下主要步骤：

步骤(1)、利用BCI的24维脑电信号训练超限学习机基分类器F，预测训练集中占比50％的无标签样本，具体是：

用于实验的样本集中，有9位受试者的4分类运动想象脑电数据，在测试时，针对每一个受试者分别进行实验；每位受试者的数据中有288个训练样本构成的训练集和288个测试样本构成的测试集，并且在训练集中有标签和无标签样本的比例分别为1：1；

利用含有144个24维度的有标签样本集{X_l,Y_l}训练出超限学习机基分类器F，l为有标签样本的个数，并且利用基分类器F对无标签训练样本集X_u＝{x_l+1,...,x_l+u}进行预测，u为无标签样本个数，从而得到样本的预测标签集样本的预测标签包括四种分类情况，分别是左手、右手、足和舌头的运行想象任务；在得到无标签样本的预测标签集以后，构造新的训练样本集合并记此时的训练样本总数为N＝l+u；

步骤(2)、利用新的脑电信号训练样本集合构造基于标签一致性的邻接图W′；

具体是：新的训练样本集样本数为N，则记N_t为第t类样本的个数，并且有N₁+N₂+...+N_c＝N，其中c＝4为总的分类数；基于流行假设的半监督图的构造方式，通过训练样本标签一致性信息，定义如下规则的有监督图的邻接矩阵W′：

其中，和分别表示样本x_i和x_j在通过隐含层表示后的向量值，i和j表示邻接矩阵的行和列数，且a_m表示第m个隐层节点和所有输入节点的连接权值，b_m表示第m个隐层节点的阈值，m为网络的隐层节点数，g(·)为激活函数；有了邻接矩阵W′，基于一般流行假设图的拉普拉斯构造方式，获得基于标签一致性的图拉普拉斯算子：

L′＝D′-W′ (2)

其中D′为对角阵，第i个对角元素的值为对应列的所有值之和

步骤(3)、将新的图拉普拉斯项结合原始的算子构造新的流行正则项，并加入半监督超限学习机的损失函数中进行训练；

具体是：结合半监督超限学习机的图的拉普拉斯算子L以及有监督图的拉普拉斯算子L′，综合考虑两个图算子同时对分类器性能的影响，通过线性组合的方式来分配两个图的权重，定义新的图拉普拉斯算子为：

L_new＝μL+(1-μ)L′ (3)

其中，μ为平衡图比例的非负权值参数，获得新的图算子构造流行正则项加入到半监督超限学习机算法的损失函数中，获得了具有图平衡正则项的半监督超限学习机，将新的损失函数为：

其中，β为网络输出权值向量，参数C称为类间惩罚参数，λ为流行正则项参数，H称为状态矩阵或隐层输出矩阵，Y为样本标签矩阵，关于输出向量的损失函数梯度变化表示如下：

当训练样本数l+u＞m隐含层节点数时，利用矩阵求伪逆的方式得到模型的解为：

β＝(I_m+CH^TH+λH^TL_newH)^-1CH^TY (6)

式中，I_m为单位矩阵；同样的，当输入样本X的个数l+u＜m时，式(5)的解为：

β＝H^T(I_l+u+CHH^T+λL_newHH^T)^-1CY (7)

其中，I_l+u是一个l+u维的单位矩阵；

步骤(4)、依据步骤(3)中的隐含层权值计算公式对脑电信号进行测试，将288个24维训练样本送入基于图平衡正则化的分类器中进行训练，计算出相应的隐含层权值向量，并将隐含层权值向量值与288测试样本向量分别进行相乘，获得输出向量值，依据向量中对应类别值最大的类别序号来确定测试的类别。