[发明专利]基于维度加权和视角特征一致性的半监督分类方法

权利要求书

1.一种基于维度加权和视角特征一致性的半监督分类方法，其特征在于步骤如下：

步骤1：设χ＝{X¹,X²,...,X^V}表示多视角数据集，其中，表示第v个视角的特征，v＝1,2,...,V，V为视角的数目，n表示样本的数目，d(v)表示第v个视角特征的维数；数据集的类别数目设为C；

按照方式计算第v个视角中第i个样本点到第j个样本点之间的距离，i,j＝1,2,...,n；对于每一个样本点，将其它所有样本点与它的距离按照从小到大进行排序，选择前k个距离最小的样本点作为它的近邻点；然后，按照下式计算第i个样本点与第j个样本点之间的相似度：

其中，表示距离样本点第k+1个近的样本点与样本点之间的距离，k的取值范围为5≤k≤15，当i＝j时，

以作为矩阵的第i行j列元素值，得到第v个视角的相似度矩阵S^v∈R^n×n，v＝1,2,...,V；

步骤2：将所有V个视角的相似度矩阵相加后取平均，得到初始的一致性相似度矩阵S；然后，按照L_S＝D_S-S计算得到初始的拉普拉斯矩阵L_S，其中，D_S是度矩阵，为对角矩阵，其第i个对角元素为标签矩阵F＝[F_l；F_u]^T，F_l＝Y_l，Y_l∈R^l×C表示已知样本的标签矩阵，F_u∈R^u×C表示未标记样本的标签矩阵，u＝n-l，l为已知样本标签的数目，初始时F取值为矩阵S的前C个特征向量；按照Θ^v_ii＝1/d(v)初始化第v个视角的权重矩阵Θ^v，Θ^v∈R^d(v)×d(v)是一个对角矩阵，Θ^v_ii为Θ^v的第i个对角元素，i＝1,2,...,d(v)，v＝1,2,...,V；

步骤3：构建多视角半监督分类模型如下：

其中，s_ij表示一致性相似度矩阵S的第i行j列元素，||·||_F表示矩阵的F范数，θ^v表示由权重矩阵Θ^v的对角元素构成的向量，1表示所有元素为1的列向量，γ和λ为正则化参数，γ＞0，λ＞0；

步骤4：以步骤2得到的所有矩阵为初始值，按以下过程采用迭代交替法求解步骤3的半监督分类模型，直至得到最终的标签矩阵F：

步骤4.1，固定Θ和F，求解下式更新S：

其中，s_i表示矩阵S的第i行向量，d_i表示一个向量，它的第j个元素按照下式计算：

其中，f_i和f_j分别表示矩阵F的第i行和第j行向量，i,j＝1,2,...,n；

步骤4.2，固定S和Θ，更新F：

首先，按照下式更新度矩阵D_S：

其中，是D_ii是对角矩阵D_S的对角元素，i＝1,2,...,n；

然后，按下式更新拉普拉斯矩阵：

L_S＝D_S-S (6)

将拉普拉斯矩阵L_S从第l行和第l列进行分块：

其中，L_ll表示大小为l×l的矩阵，L_lu表示大小为l×u的矩阵，L_ul表示大小为u×l的矩阵，L_uu表示大小为u×u的矩阵；

将一致性相似度矩阵S与度矩阵D_S进行分块：

按下式更新未标记样本的标签矩阵F_u：

F_u＝(I-P_uu)^-1P_ulF_l (10)

其中，

最后，按F＝[F_l；F_u]^T更新标签矩阵F；

步骤4.3，固定F和S，求解下式更新Θ：

其中，θ^v表示由权重矩阵Θ^v的对角元素构成的向量，W^v是第v个视角的对角矩阵，它的第i个对角元素是矩阵M^v的第i个对角元素，M^v＝(X^v)^TL_sX^v；

步骤4.4，迭代停止判断：

分别将上一次和此次更新得到的S、F、L_S、Θ带入以下目标函数：

如果得到的两个目标函数值Z的差小于设定的阈值，则停止迭代，此时的F即为最终的标签矩阵F；否则，返回步骤4.1继续进行迭代更新；

步骤5：按照下式得到每个样本的标签：

y_i＝argmax_1≤j≤CF_ij i＝1,2,...,n (13)

其中，y_i表示第i个样本点的标签，F_ij表示步骤4得到的最终的标签矩阵F的i行j列元素；

将具有相同标签的样本归为一类，得到分类结果。