[发明专利]一种基于半监督学习的学生表情预测方法

权利要求书

1.一种基于半监督学习的学生表情预测方法，其特征在于包括以下步骤：

步骤1、数据采集与初始化：

收集学生脸部图像，对每幅图像提取特征，得到样本集合对进行标记，得到对应的类别标签其中，x_p，为d维行向量，c_k对应一种表情，表示实数域，n为所有样本数量，为有标注样本数，u＝n-l未标注样本数，d为样本维度，d，l，n，u均为正整数；

初始化：人工设定以下参数：λ，C_A，C_B＞0，一级隐藏节点数量L_A，二级隐藏节点数量L_B，L_A与L_B均为正整数；构造图拉普拉斯矩阵L＝D-A，A为相似性矩阵，其第i行第j列元素A_ij为：

其中，x_i与x_j为样本，i，j∈{1，...，n}，σ＞0为高斯核宽，D为A的度矩阵，D为对角阵，D的第i个对角元素D_ii＝∑_jA_ij；

步骤2、一级网络模块构建：

步骤201、随机产生L_A个一级输入权重与L_A个一级输入偏置得到与

步骤202、生成一级隐藏层输入矩阵其中

G(W，b，x)为激活函数，x表示样本，W为输入权重，b为输入偏置；

步骤203、计算一级输出权重矩阵β_A，当n＜L_A时，否则，其中X＝[x₁；...；x_n]，I_n为n维单位阵，为L_A维单位阵；上标T表示转置；

步骤3、二级网络模块构建：

步骤301、随机产生L_B个二级输入权重与L_B个二级输入偏置得到与

步骤302、生成二级隐藏层输入矩阵其中

G(W，b，x)为激活函数，x表示样本，W为输入权重，b为输入偏置；

步骤303、计算k＝1，2，...，κ情况下的二级输出权重矩阵当n＜L_B时，否则，其中，为对角阵，如果x_i有标签且标签y_i＝c_k，则的第i个对角元素为1，否则为0，为n维列向量，如果x_i有标签且标签y_i＝c_k，则的第i个元素为1，否则为0；

步骤304、计算k＝1，2，...，κ情况下的样本距离对于每个k，将∈_k(x₁)，...，∈_k(x_n)进行从大到小排列得到令判定阈值其中θ∈(0，1)；

步骤4、预测新样本：

将一个新的学生脸部图像进行特征抽取，得到一个新的样本x，求取∈_k(x)，如果∈_k(x)≤Θ_k，则预测该学生表情为c_k。

2.如权利要求1所述的一种基于半监督学习的学生表情预测方法，其特征在于，所涉及的激活函数G(W，b，x)为：

3.如权利要求1、2所述的任意一种基于半监督学习的学生表情预测方法，其特征在于，所涉及的输入权重W和输入偏置b从零均值的高斯分布中抽样生成。

4.如权利要求1、2任意所述的一种基于半监督学习的学生表情预测方法，其特征在于，在步骤1中进行特征提取时，采用自动编码器进行图像的无监督训练，以提取特征向量，该自动编码器包括至少一个卷积层和一个池化层。

5.如权利要求1、2任意所述的一种基于半监督学习的学生表情预测方法，其特征在于，在步骤1中进行特征提取时，采用通用的视觉词典来提取特征。