高拉普拉斯正则化低秩表示的多模态数据分析方法及系统技术方案

本发明专利技术公开了一种高拉普拉斯正则化低秩表示的多模态数据分析方法及系统，属于多模态数据分析领域，要解决的技术问题为如何捕获多模态数据的全局线性结构以及非线性几何结构；其方法包括：对多模态数据进行数据处理，得到多个数据矩阵；将低秩表示和拉普拉斯正则化项相结合构建非负稀疏超拉普拉斯正则化低秩表示模型，通过非负稀疏超拉普拉斯正则化低秩表示模型对每个数据矩阵进行学习，得到高拉普拉斯低秩子空间；以高拉普拉斯低秩子空间和支持向量机为基础进行学习，得到多个分类器；对多个分类器进行投票，得到最终分类器。其结构包括数据处理模块、数据分析模块、分类模块和投票模块。该方法可捕获多模态数据的全局线性结构及非线性几何结构。

Multimodal Data Analysis Method and System of High Laplace Regularized Low Rank Representation

The invention discloses a multi-modal data analysis method and system with high Laplacian regularization and low rank representation, belonging to the field of multi-modal data analysis. The technical problems to be solved are how to capture the global linear structure and non-linear geometric structure of multi-modal data. The methods include: data processing of multi-modal data, obtaining multiple data matrices; low rank representation and pulling. A non-negative sparse hyper-Laplacian regularized low-rank representation model is constructed by combining the Prasian regularization terms. Each data matrix is learned by the non-negative sparse hyper-Laplacian regularized low-rank representation model, and the high-Laplacian low-rank subspace is obtained. Based on the high-Laplacian low-rank subspace and the support vector machine, multiple classifiers are obtained. Vote to get the final classifier. Its structure includes data processing module, data analysis module, classification module and voting module. This method can capture the global linear structure and the non-linear geometric structure of multimodal data.

【技术实现步骤摘要】
高拉普拉斯正则化低秩表示的多模态数据分析方法及系统
本专利技术涉及多模态数据分析领域，具体地说是一种高拉普拉斯正则化低秩表示的多模态数据分析方法及系统。
技术介绍
低秩表示技术因其对数据中嵌入的低维子空间结构的研究效果良好而受到广泛关注。对于一组观测数据，低秩表示的目标是学习观测数据低秩表示的同时将噪音数据分割开来。低秩技术在模式识别、计算机视觉和信号处理等方面有着广泛的应用。在现实世界中，数据往往存在于嵌入在高维环境空间中的低维流形上，低秩表示技术仅仅考虑了数据的全局线性结构而没有考虑到其非线性几何结构，因此在学习过程中可能会忽略数据之间的局部性和相似性信息。为了保有高维数据的局部几何结构和相似性信息，许多学者从流行学习的角度以局部不变性为指导思想展开研究，比如局部线性嵌入方法、局部保有投影方法、拉普拉斯特征映射方法等。近年来，研究人员将低秩表示和图技术表示相结合，提出了许多卓有成效的机器学习方法。阿尔茨海默病(AD)是一种起病隐匿的进行性发展神经系统退行性疾病。它的早期诊断、治疗将会极大地提高病人及其照顾者的生活质量。近几年来，对该病的不同方面进行了多方面的研究，因此有多种不同的本文档来自技高网...

【技术保护点】
1.高拉普拉斯正则化低秩表示的多模态数据分析方法，其特征在于包括：对多模态数据进行数据处理，得到多个数据矩阵，每个数据矩阵对应一种模态，每个数据矩阵中的数据为二维的矩阵数据；将低秩表示和拉普拉斯正则化项相结合构建非负稀疏超拉普拉斯正则化低秩表示模型，通过非负稀疏超拉普拉斯正则化低秩表示模型对每个数据矩阵进行学习，得到高阶拉普拉斯低秩子空间；以高阶拉普拉斯低秩子空间和支持向量机为基础进行学习，得到多个分类器；对上述多个分类器进行投票，得到最终分类器。

【技术特征摘要】
1.高拉普拉斯正则化低秩表示的多模态数据分析方法，其特征在于包括：对多模态数据进行数据处理，得到多个数据矩阵，每个数据矩阵对应一种模态，每个数据矩阵中的数据为二维的矩阵数据；将低秩表示和拉普拉斯正则化项相结合构建非负稀疏超拉普拉斯正则化低秩表示模型，通过非负稀疏超拉普拉斯正则化低秩表示模型对每个数据矩阵进行学习，得到高阶拉普拉斯低秩子空间；以高阶拉普拉斯低秩子空间和支持向量机为基础进行学习，得到多个分类器；对上述多个分类器进行投票，得到最终分类器。2.根据权利要求1所述的高拉普拉斯正则化低秩表示的多模态数据分析方法，其特征在于对多模态数据进行数据处理，得到多个矩阵数据，包括如下步骤：数据预处理：将多模态数据转化为二维的矩阵数据，矩阵数据中行数据表示样本，矩阵数据中列数据表示特征；数据分组：基于模态之间相叠加能够产生新的模态的多模态数据的模特特征，上述多模态数据能够形成多个模态，将上述多个矩阵数据进行分组得到多个数据矩阵，每个数据矩阵对应一个模态。3.根据权利要求1或2所述的高拉普拉斯正则化低秩表示的多模态数据分析方法，其特征在于通过非负稀疏超拉普拉斯正则化项对每个数据矩阵进行学习，得到高阶拉普拉斯低秩子空间，包括如下步骤：计算每个模态的超拉普拉斯矩阵：以每个数据矩阵为基础，构建超图，得到每个模态的超拉普拉斯矩阵；计算每个模态的低秩表示：以构建超图过程中产生的超图数据为基础，对噪音数据进行最小化约束，对矩阵数据的低秩目标函数增加拉普拉斯正则化项，得到多个高阶拉普拉斯正则化低秩目标函数，上述多个高阶拉普拉斯正则化低秩目标函数形成高阶拉普拉斯低秩子空间。4.根据权利要求3所述的高拉普拉斯正则化低秩表示的多模态数据分析方法，其特征在于矩阵数据的低秩目标函数为：minZ,E||Z||*+β||E||1s.t.X＝XZ+E其中，X为矩阵数据，X＝[x1,x2,......xn]T，X∈Rn×d，n为矩阵数据的行数量，d为矩阵数据的列数量；Z为系数矩阵，Z∈Rn×n，表达式为：Z为相似度矩阵，zi,j表示矩阵数据xi和矩阵数据xj的相似度；Z同时为矩阵数据X的低秩表示，zi＝∑jzj,ixi，zj＝∑izi,jxj；1≤i≤n，1≤j≤n。5.根据权利...

【专利技术属性】
技术研发人员：董爱美，赵桂新，高茜，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：山东,37