【技术实现步骤摘要】
一种基于联合稀疏表示和多视图字典学习的学习方法
本专利技术涉及机器学习领域，更具体地，涉及一种基于联合稀疏表示和多视图字典学习的学习方法。
技术介绍
目前，多示例学习框架的提出在国际机器学习界引起了极大的反响，多示例学习已经取得了一定的研究成果，一些常用的数学方法均可进行扩展，进行多示例的使用，主要为：BP神经网络、K近邻方法、贝叶斯分类的图像检索方法和SVM方法。但是，如上所述，现有的算法主要利用数据的聚类，构造分类器进行对多示例进行分析和分类，但是在实际使用中，数据不一定都能保证高度集中和特征化，算法可能存在鲁棒性不足的问题，导致分类的准确率无法进一步地提高。
技术实现思路
本专利技术为克服上述现有技术所述的缺陷，把多视图和多示例整合到一个统一的框架，利用多视图的检索和字典学习，提供一种基于联合稀疏表示和多视图字典学习的多视图多示例学习方法。为解决上述技术问题，本专利技术的技术方案如下：一种基于联合稀疏表示和多视图字典学习的学习方法，包括以下步骤：S1.选定ε图形和l1图形，基于稀疏ε图形去构造若干个包Xi的图形；S2.通过l1图形计算稀疏系数向量使稀疏ε图形中的...
【技术保护点】
1.一种基于联合稀疏表示和多视图字典学习的学习方法，其特征在于，包括以下步骤：S1.选定ε图形和l1图形，基于稀疏ε图形去构造若干个包Xi的图形；S2.通过l1图形计算稀疏系数向量
【技术特征摘要】
1.一种基于联合稀疏表示和多视图字典学习的学习方法，其特征在于，包括以下步骤：S1.选定ε图形和l1图形，基于稀疏ε图形去构造若干个包Xi的图形；S2.通过l1图形计算稀疏系数向量使稀疏ε图形中的顶点xi,j和它的边缘到另外1个顶点满足以下函数：以及以下函数：S3.对于步骤S1中的包Xi，通过稀疏ε-图形并设置k种参数，产生k个视图，用于表达Xi的内在上下文结构；S4.构建映射函数并将步骤S2产生的k个视图映射到高纬度的空间，得到新的映射函数S5.选定总字典作为多视图字典，总字典包括若干个子字典，子字典作为包Xi的学习字典，利用核函数对字典学习进行优化；S6.选定标签和含有k个图形的测试包，通过多视图学习得到权重矩阵，对测试包进行分类，并将标签分配至相应的测试包的分类中。2.根据权利要求1所述的基于联合稀疏表示和多视图字典学习的学习方法，其特征在于，所述步骤S2中计算稀疏系数向量α的具体过程如下：采用以下函数：其中，||xi,j-Uα||2是线性的重建误差，第二项是利用正则化系数λ控制稀疏性α；顶点xi,j到其它示例的边缘由稀疏性α决定；基于欧氏距离定义权重矩阵Q，其函数如下：其中，是欧氏距离的单调递减函数；通过引入权重矩阵Q，得到利用欧氏距离的函数优化上面的公式，得到以下函数：3.根据权利要求1所述的基于联合稀疏表示和多视图字典学习的学习方法，其特征在于，在所述步骤S3中，对包Xi设置参数的的方式为{＜λ1,ε1＞,＜λ2,ε2＞,…＜λK,εK＞}并产生k个不同的视图Γi＝{Gi,1,Gi,2,…Gi,k}。4.根据权利要求1所述的基于联合稀疏表示和多视图字典学习的学习方法，其特征在于，所述步骤S5的具体过程如下：将步骤S3中得到的每一个包的k个图形的特征构成一个特征矩阵：定义多视图的字典D＝{D1,D2,…,Dk}，用于给所有的训练样本学习，字典D包含多个类特定子字典其中，是第j类的子字典，包的...
【专利技术属性】
技术研发人员：车志勇，刘波，肖燕珊，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。