[发明专利]一种基于图卷积网络的缺失特征重表示方法及系统

权利要求书

1.一种基于图卷积网络的缺失特征重表示方法，其特征在于，包括：

步骤1、提取已标注类别的训练样本的特征，将该训练样本的特征作为节点，通过距离度量得到节点与节点之间的相似关系，根据该相似关系构建节点之间形成连接边，以得到该训练样本的图网络；

步骤2、以该图网络中邻近样本的特征信息和图中各节点对应的标注类别，训练图卷积网络，得到特征重表示模型，通过将待分类样本的特征输入该特征重表示模型，重建该待分类样本的特征并为重建后的特征进行分类，得到该待分类样本的分类结果。

2.如权利要求1所述的基于图卷积网络的缺失特征重表示方法，其特征在于，该训练样本和该待分类样本为图像数据或电离层数据或葡萄酒质量数据。

3.如权利要求1所述的基于图卷积网络的缺失特征重表示方法，其特征在于，步骤1中该距离度量具体为：

其中，X和Y分别为该训练样本的特征向量，X＝(x₁,x₂,…,x_n)、Y＝(y₁,y₂,…,y_n)，d(X,Y)为节点与节点之间的相似度，m为样本之间都存在的特征维度。

4.如权利要求1所述的基于图卷积网络的缺失特征重表示方法，其特征在于，步骤2包括图卷积网络的构建步骤：

步骤21、根据预设的卷积网络层数和K值，形成多个以卷积网络层数和K值构成的组合，初始设置组合方式C＝NULL以及测试精度H＝0；

步骤22、从多个以卷积网络层数和K值构成的组合中选择一种组合，构建测试网络，选择一部分训练样本作为训练集，另一部分训练样本作为测试集；

步骤23、以该训练集训练该测试网络，并对该测试集中样本进行预测，输出预测结果，得到分类识别精度h；

步骤24、判断h是否大于H，若是，则将C置为当前选择的组合方式，H更新为h，否则判断是否已经全部遍历完全部组合，若是，则根据当前组合方式C构建该图卷积网络，否则再次执行该步骤22。

5.一种基于图卷积网络的缺失特征重表示方法，其特征在于，包括：

步骤1、提取已标注类别的训练样本的特征，将该训练样本的特征作为节点，通过距离度量得到节点与节点之间的相似关系，根据该相似关系构建节点之间形成连接边，以得到该训练样本的图网络；

步骤2、以该图网络中邻近样本的特征信息和图中各节点对应的标注类别，训练图卷积网络，得到特征重表示模型，通过将待分类样本的特征输入该特征重表示模型，重建该待分类样本的特征并为重建后的特征进行分类，得到该待分类样本的分类结果。

6.如权利要求1所述的基于图卷积网络的缺失特征重表示方法，其特征在于，该训练样本和该待分类样本为图像数据或电离层数据或葡萄酒质量数据。

7.如权利要求1所述的基于图卷积网络的缺失特征重表示方法，其特征在于，步骤1中该距离度量具体为：

其中，X和Y分别为该训练样本的特征向量，X＝(x₁,x₂,…,x_n)、Y＝(y₁,y₂,…,y_n)，d(X,Y)为节点与节点之间的相似度，m为样本之间都存在的特征维度。

8.如权利要求1所述的基于图卷积网络的缺失特征重表示方法，其特征在于，步骤2包括图卷积网络的构建步骤：

步骤21、根据预设的卷积网络层数和K值，形成多个以卷积网络层数和K值构成的组合，初始设置组合方式C＝NULL以及测试精度H＝0；

步骤22、从多个以卷积网络层数和K值构成的组合中选择一种组合，构建测试网络，选择一部分训练样本作为训练集，另一部分训练样本作为测试集；

步骤23、以该训练集训练该测试网络，并对该测试集中样本进行预测，输出预测结果，得到分类识别精度h；

步骤24、判断h是否大于H，若是，则将C置为当前选择的组合方式，H更新为h，否则判断是否已经全部遍历完全部组合，若是，则根据当前组合方式C构建该图卷积网络，否则再次执行该步骤22。