基于有监督图的直推式数据降维方法技术

本发明专利技术公开了一种直推式局部保持投影数据降维方法，主要解决现有基于半监督学习的数据降维方法仅利用欧氏距离进行构图，识别结果不理想的问题。其实现步骤是：(1)输入数据并归一化；(2)计算归一化后的原始矩阵及类标向量；(3)由原始数据计算第一拉普拉斯矩阵L；(4)由类标向量计算第二拉普拉斯矩阵Ll；(5)由第一拉普拉斯矩阵L和第二拉普拉斯矩阵Ll计算相似度矩阵S；(6)由类标向量计算样本的类间权重矩阵Wc；(7)由相似度矩阵S和类间权重矩阵Wc构建广义特征值公式并求解，得到投影矩阵E；(8)由投影矩阵E计算出降维后的样本。本发明专利技术能有效地对数据进行特征提取与降维，提高了数据分类识别的准确率，可用于数据与图像处理。

【技术实现步骤摘要】

本专利技术属于图像处理
，特别涉及一种高维数据降维方法，可用于数据与计算机图像识别。
技术介绍
近些年来，随着计算机技术和制造业的发展，智能设备已经全面普及，比如智能手机，智能手环等等。几乎每台智能设备都有大量的传感器，从而采集各方面的数据。大量智能设备的普及随之而来的是原始数据的爆炸性增长。当我们获得越来越多的数据，如何充分利用数据中的信息，已经成为学术界研究的焦点。数据降维就是用于解决这些问题的有效手段。数据降维旨在利用普及的计算机自动的探索原始数据中的信息，发现潜藏在大量的混乱数据背后的本质特征。数据降维的主要代表方法有主成分分析PCA，局部保持投影LPP，线性判别分析LDA等。随着信息技术以及传感器技术的发展，通过传感器可直接获取的大量无标记样本，相比之下，有标记的样本则难以获得。比如医学图像处理，通过现代化的仪器获取数量庞大的医学影像是容易的，但是让医生人工标注全部图像，需要耗费昂贵的人力物力。而直推式降维方法最显著的优点是自动地结合少量的标记样本和大量的未标记样本进行训练来完成数据降维，明显的提高了效率并且降低了人力成本，具有重要的现实意义。目前，直推式降维方法已经成功地应用于人脸识别、图像分类、图像检索等领域中。直推式降维方法的基本模型如下：给定一个d维随机向量x，它的n个观察值被记作xj(j＝1,2,...n)，构成矩阵X＝(x1,x2,...,xn)。其中有标记数据集为V＝{(x1,k1),(x2,k2),...,(xl,kl)本文档来自技高网...

【技术保护点】
一种基于有监督图的直推式数据降维方法，包括如下步骤：(1)输入n＝F×P幅原始图像，对这些图像进行校准和对齐，将其裁剪为相同尺寸，其中F为原始图像类别数，P为每一类图像的张数；(2)将每幅图像像素点的灰度特征值按行取出并顺序排列形成一个d维行向量xj，组成一个n×d的矩阵，对该矩阵的每一行进行归一化，得到原始矩阵X＝(x1,x2,...,xn)；(3)将每幅图像的类标顺序排列形成一个n维列向量，即类标向量G，其中无标记样本的类标为0；(4)根据原始矩阵X，计算第一拉普拉斯矩阵L；(5)根据类标向量G，计算第二拉普拉斯矩阵Ll；(6)根据第一拉普拉斯矩阵L和第二拉普拉斯矩阵Ll，计算有监督图的相似度矩阵S：S＝(I+αL+βLl)‑1(αL+βLl)，其中，I为单位矩阵，α是K近邻图影响因子，β是类内无向图影响因子；(7)根据类标向量G，计算类间权重矩阵Wc；(8)根据有监督图的相似度矩阵S和类间权重矩阵Wc，计算投影矩阵E：选取特征维数r＝{5,10,...,50}，利用下式求解广义特征值：XΤSXa＝λXΤ(D‑γWc)Xa，其中，a是特征向量，λ是特征值，γ是类间无向图影响因子；将求解得到的特征值按绝对值从大到小的顺序排列，选择前r个绝对值大的特征值对应的特征向量ai，顺序排列得到投影矩阵E＝(a1,a2,...,ai,...ar)；(9)根据投影矩阵E计算降维后的矩阵Y＝XE。...

【技术特征摘要】
1.一种基于有监督图的直推式数据降维方法，包括如下步骤：
(1)输入n＝F×P幅原始图像，对这些图像进行校准和对齐，将其裁剪为相同尺寸，
其中F为原始图像类别数，P为每一类图像的张数；
(2)将每幅图像像素点的灰度特征值按行取出并顺序排列形成一个d维行向量
xj，组成一个n×d的矩阵，对该矩阵的每一行进行归一化，得到原始矩阵
X＝(x1,x2,...,xn)；
(3)将每幅图像的类标顺序排列形成一个n维列向量，即类标向量G，其中无标
记样本的类标为0；

【专利技术属性】
技术研发人员：王磊，姬红兵，王家俊，朱明哲，李丹萍，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61