基于流形正则化和宽度网络的半监督宽度学习分类方法技术

本发明专利技术涉及宽度学习系统技术领域，尤其涉及基于流形正则化和宽度网络的半监督宽度学习分类方法，包括以下步骤：S1：利用输入数据建立特征节点；S2：利用已建立的特征节点建立增强节点；S3：输出权重的求解，本发明专利技术通过将流形正则化框架引入BLS中，提出了半监督宽度学习系统(Semi‑supervised Broad Learning System，简称SS‑BLS)，该方法通过流形正则化框架扩展了BLS，从而提升了BLS的适用性，SS‑BLS完全具有BLS的学习能力和计算效率，同时，该方法能够高效的完成不同复杂数据集下的半监督分类任务，各种数据集的实验结果表明SS‑BLS具有极强的适应性和较高的稳定性，此外，数据集的实验结果还证明所提出的方法与最先进的半监督方法相比具有竞争力。

Semi-supervised Width Learning Classification Based on Manifold Regularization and Width Network

【技术实现步骤摘要】
基于流形正则化和宽度网络的半监督宽度学习分类方法
本专利技术涉及宽度学习系统
，尤其涉及基于流形正则化和宽度网络的半监督宽度学习分类方法。
技术介绍
深层结构神经网络和学习目前已经在许多领域得到应用，并在大规模的数据处理上获得了巨大的成功,目前最受欢迎的深度学习网络有深度信任网络(DeepBeliefNetworks，简称DBN)，深度玻尔兹曼机器(DeepBoltzmannMachines，简称DBM)和卷积神经网络(ConvolutionalneuralNetworks，简称CNN)等。虽然深度结构网络非常强大，但是大多数网络都被极度耗时的训练过程所困扰。这其中的主要原因是，深度网络结构比较复杂并且需要调节大量的参数。在过去的几年里，来自各个领域的学者为BLS的理论完善和应用作出了重大贡献。例如，BLS的通用逼近能力已经在分类背景下进一步研究。学者们通过对基本的BLS进行了各种扩展，使其更适合于在特定背景下解决特定的问题。例如，BLS与结构化流形(StructuredManifold,简称SM)结合，即SM-BLS，用于解决高维和大规模时间序列处理。这使得BLS可用于大规模本文档来自技高网...

【技术保护点】
1.基于流形正则化和宽度网络的半监督宽度学习分类方法，其特征在于，包括以下步骤：S1：利用输入数据建立特征节点；S2：利用已建立的特征节点建立增强节点；S3：输出权重的求解。

【技术特征摘要】
1.基于流形正则化和宽度网络的半监督宽度学习分类方法，其特征在于，包括以下步骤：S1：利用输入数据建立特征节点；S2：利用已建立的特征节点建立增强节点；S3：输出权重的求解。2.根据权利要求1所述的基于流形正则化和宽度网络的半监督宽度学习分类方法，其特征在于，包括以下步骤：S1：将数据X经过函数φi(XWei+βei)映射产生第i组映射特征Zi，其中，给定标记Zn≡[Z1…Zn]表示所有的映射特征组，增强节点组被标记为Hm≡[H1...

【专利技术属性】
技术研发人员：赵慧敏，郑建杰，邓武，徐俊洁，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：天津,12