[发明专利]特征选择模型的训练、对象分类方法、装置、设备及介质

权利要求书

1.一种特征选择模型的训练方法，其特征在于，包括：

将多个训练样本、以及与每个所述训练样本分别对应的类别标注结果输入至特征选择模型中，其中，所述训练样本包括与生物特征处理、图像特征处理、语音特征处理和/或文本特征处理相关的样本，每个所述训练样本包括多个样本特征，所述特征选择模型用于从各所述样本特征中选择出目标特征；

根据所述特征选择模型中的目标函数确定模块输出的目标函数值，对所述目标函数确定模块中的网络参数进行调整，其中，所述目标函数确定模块包括基于自适应损失函数构建出的损失函数度量单元，所述自适应损失函数包括与第一范数相关的第一式子、以及与第二范数相关的第二式子。

2.根据权利要求1所述的方法，其特征在于，所述自适应损失函数的曲线是介于所述第一范数的曲线和所述第二范数的曲线之间的曲线；和/或，

所述第一式子和/或所述第二式子中设置有用于对所述第一范数和所述第二范数进行融合的融合参数；和/或，

所述第一范数包括l_2,1范数，和/或，所述第二范数包括l_F范数。

3.根据权利要求1或2所述的方法，其特征在于，所述自适应损失函数通过如下公式表示：

其中，σ是融合参数，||zⁱ||₂+σ是所述第一式子，是所述第二式子，Z是经由所述特征选择模型预测出的所述训练样本的类别预测结果、以及与所述类别预测结果相应的所述类别标注结果间的差值，zⁱ是第i个所述训练样本对应的所述差值，n是所述训练样本的数量。

4.根据权利要求3所述的方法，其特征在于，Z＝XW+1b^T-Y，其中，XW+1b^T是所述类别预测结果，Y是所述类别标注结果，X是所述训练样本，W和b是所述网络参数，W是回归系数，b是偏置。

5.根据权利要求1所述的方法，其特征在于，所述目标函数确定模块还包括基于稀疏正则化项构建出的特征选择单元，所述稀疏正则化项是与所述网络参数相关的范数；

所述特征选择模型，具体用于根据调整后的所述网络参数确定所述特征选择单元输出的与各所述样本特征分别对应的输出结果，并根据各所述输出结果从各所述样本特征中选择出目标特征。

6.根据权利要求5所述的方法，其特征在于，所述稀疏正则化项是与回归系数W相关的l_2,1范数。

7.根据权利要求1所述的方法，其特征在于，所述根据所述特征选择模型中的目标函数确定模块输出的目标函数值，对所述目标函数确定模块中的网络参数进行调整，包括：

将所述网络参数输入至所述特征选择模型中，确定所述特征选择模型中的目标函数确定模块输出的目标函数值是否收敛；

若否，则根据所述网络参数确定参数调整数据，并根据所述参数调整数据对所述网络参数进行调整，根据调整结果更新所述网络参数；

重复执行所述将所述网络参数输入至所述特征选择模型中的步骤，直至所述目标函数值收敛，所述网络参数调整结束。

8.一种对象分类方法，其特征在于，包括：

获取待分类对象的特征，基于按照权利要求1-7中任一项的训练方法训练得到的特征选择模型，从各所述特征中选择出目标特征；

根据所述目标特征对所述待分类对象进行分类。