[发明专利]一种基于自适应权重学习的补子空间表示非均衡分类方法

权利要求书

1.一种基于自适应权重学习的补子空间表示非均衡分类方法，其特征在于，包括以下步骤：

S1、对总类别数为N的非均衡数据集进行预处理，获得训练样本集H以及测试样本集；

S2、基于密度获取训练样本集H中每个训练样本的权重；

S3、根据每个训练样本的权重，基于补子空间计算得到非均衡分类模型；

S4、对非均衡分类模型求解得到最优表示系数；

S5、根据最优表示系数的重构误差对测试样本集中测试样本的标签进行分类。

2.根据权利要求1所述的一种基于自适应权重学习的补子空间表示非均衡分类方法，其特征在于，S1具体为：

S11、通过交叉验证法将总类别数为N的非均衡数据集随机分为z份，选择其中e份作为原始训练集，f份作为原始测试集，e+f＝z；

S12、将e份原始训练集和f份原始测试集随机交叉验证g次，得到g组原始训练样本集和g组原始测试样本集；

S13、将g组原始测试样本集和g组原始训练样本集转化为列向量，进行归一化处理，得到测试样本集和训练样本集。

3.根据权利要求2所述的一种基于自适应权重学习的补子空间表示非均衡分类方法，其特征在于，S2具体为：

S21、获取每一类训练样本的个数M_ik,M_ik为第i个样本所属类别k中的样本总数，每个训练样本的初步权重为

S22、获取训练样本d_i在第n类训练样本集中前m个近邻样本的距离和d_i在剩余训练样本集中前q个近邻样本的距离

S23、计算训练样本d_i在第n类训练样本集和剩余训练样本集中的密度：

S24、根据类内密度和类间密度计算混合密度：

其中θ为调节类内类间距离权重的平衡参数；

S25、将每个训练样本的权重密度进行归一化：

与训练样本所属类别的样本总数相结合，d_i的权重为训练样本的权重矩阵为：

4.根据权利要求3所述的一种基于自适应权重学习的补子空间表示非均衡分类方法，其特征在于，补子空间计算具体为：

E-E_n为E_n的补子空间，式中E＝span{H}表示由训练样本集H生成的全空间，E_n＝span{H_n}表示由第n类训练样本集生成的子空间，

第n类训练样本集生成的子空间与第m类训练样集本生成的子空间的和为：

E_m+E_n＝span{p+q:p∈E_m,q∈E_n}；

E_m+E_n＝span{H_m∪H_n}；

E＝E₁+E₂+...+E_N；

E-E_n＝span{H_-n}；

式中，H_-n表示训练样本集H中剔除第n类训练样本集后剩余的训练样本集。

5.根据权利要求4所述的一种基于自适应权重学习的补子空间表示非均衡分类方法，其特征在于，非均衡分类模型为：

式中，x表示大小为d*1的测试样本，d表示测试样本的维度，D代表大小为d*M的训练样本矩阵，M为训练样本集H中所有样本的总个数，W是大小为M*M的对角矩阵，W中对角线上的每个元素对应每一个训练样本的权重，W_-n为剔除第n类训练样本集的权重后的对角矩阵，δ和β为正则化参数，c为D的表示系数，c^*为最优表示系数，c_-n为D_-n的表示系数。