The invention discloses a classification method and a system for missing multi view data. The method includes: reconstructing the first hidden space from the missing multi view training sample data, reconstructing the second hidden space from the missing multi view training sample data to be tested, training the multi view multi-channel neural network model from the first hidden space, missing multi view training sample data and reconstructing the loss function, inputting the first hidden space and the real class label into the trained model to obtain the total loss function The first implicit space is adjusted with the number as the objective function until the reconstruction loss function and the total loss function converge to obtain the trained model and the first complete implicit space; the second implicit space is input into the trained model, and the second complete implicit space is adjusted with the reconstruction loss function as the objective function to obtain the second complete implicit space; the first complete implicit space and the second complete implicit space are used to realize the Classification of missing multi view samples to be tested. The invention can improve the accuracy of classification for missing multi view data.
【技术实现步骤摘要】
一种缺失多视图数据的分类方法及系统
本专利技术涉及图像分类
，特别是涉及一种缺失多视图数据的分类方法及系统。
技术介绍
多视图数据在生活中十分常见，例如，医疗领域的磁共振成像、计算机断层显像等。这些不同类型的数据包含了对病情诊断有效的互补信息，然而整合多种类型的数据并加以充分利用很难实现，加之部分视图数据缺失的问题，建模难度更大。尽管在近些年多视图学习领域发展快速，但是仍受限于复杂关系的有效建模，现有技术难以有效解决视图缺失的情况。在处理视图缺失问题上，一些技术丢弃缺失数据只保留完整数据，这样会丢失大量数据信息，尤其当样本量稀少时完全无法应用；一些技术按照数据的缺失情况进行分组，各组独立训练，这将无法充分挖掘数据之间的关系，并且当缺失情况多样时也将导致分组情况复杂。这就导致了现有的缺失多视图数据的分类方法无法平衡多视图数据之间的一致性关系和信息互补性，从而导致分类的准确度低。
技术实现思路
基于此，有必要提供一种缺失多视图数据的分类方法及系统，以提高针对缺失多视图数据进行分类的准确性。
【技术保护点】
1.一种缺失多视图数据的分类方法，其特征在于，包括：/n获取多视图训练集和多视图测试集；所述多视图训练集包括多个缺失多视图训练样本数据和每个缺失多视图训练样本对应的真实类标签；所述多视图测试集包括多个待测试的缺失多视图样本数据；/n依据所述缺失多视图训练样本数据重构隐空间，得到第一隐空间，依据所述待测试的缺失多视图样本数据重构隐空间，得到第二隐空间；一个所述缺失多视图训练样本数据对应一个第一隐空间；一个所述待测试的缺失多视图样本数据对应一个所述第二隐空间；/n在当前迭代次数下，将上一迭代次数下的第一隐空间作为多视图多路神经网络模型的输入，所述缺失多视图训练样本数据作为所述多...
【技术特征摘要】
1.一种缺失多视图数据的分类方法，其特征在于，包括：
获取多视图训练集和多视图测试集；所述多视图训练集包括多个缺失多视图训练样本数据和每个缺失多视图训练样本对应的真实类标签；所述多视图测试集包括多个待测试的缺失多视图样本数据；
依据所述缺失多视图训练样本数据重构隐空间，得到第一隐空间，依据所述待测试的缺失多视图样本数据重构隐空间，得到第二隐空间；一个所述缺失多视图训练样本数据对应一个第一隐空间；一个所述待测试的缺失多视图样本数据对应一个所述第二隐空间；
在当前迭代次数下，将上一迭代次数下的第一隐空间作为多视图多路神经网络模型的输入，所述缺失多视图训练样本数据作为所述多视图多路神经网络模型的输出，并以重建损失函数作为目标函数调整所述多视图多路神经网络模型中各个全连接层的权重参数，得到当前迭代次数下训练后的多视图多路神经网络模型；所述多视图多路神经网络模型是由多层全连接层组成的；所述重建损失函数表示所述第一隐空间与所述缺失多视图训练样本数据的近似程度；所述训练后的多视图多路神经网络模型为各全连接层的权重均确定后的多视图多路神经网络模型；
将上一迭代次数下的第一隐空间和所述真实类标签作为训练后的多视图多路神经网络模型的输入，所述缺失多视图训练样本数据作为训练后的多视图多路神经网络模型的输出，并以总损失函数作为目标函数，调整所述第一隐空间，得到当前迭代次数下训练后的第一隐空间；所述总损失函数由所述重建损失函数和分类损失函数构成；所述分类损失函数表示所述第一隐空间的预测类标签与所述真实类标签的近似程度；
判断所述重建损失函数、所述总损失函数是否均收敛；
若是，则将当前迭代次数下训练后的多视图多路神经网络模型确定为训练好的多视图多路神经网络模型，将当前迭代次数下训练后的第一隐空间确定为第一完备隐空间；所述第一完备隐空间的完备程度大于所述第一隐空间的完备程度；一个所述第一隐空间对应一个第一完备隐空间；
若否，则迭代次数加1，更新当前迭代次数，并返回所述在当前迭代次数下，将上一迭代次数下的第一隐空间作为多视图多路神经网络模型的输入，所述缺失多视图训练样本数据作为所述多视图多路神经网络模型的输出，并以重建损失函数作为目标函数调整所述多视图多路神经网络模型中各个全连接层的权重参数，得到当前迭代次数下训练后的多视图多路神经网络模型；
将所述第二隐空间输入至训练好的多视图多路神经网络模型中，并以所述重建损失函数作为目标函数，调整所述第二隐空间，直至所述重建损失函数收敛，得到第二完备隐空间；所述第二完备隐空间的完备程度大于所述第二隐空间的完备程度；
计算所述第二完备隐空间中的待测试的缺失多视图样本数据分别与所有第一完备隐空间中的缺失多视图训练样本数据的兼容函数，并将兼容函数的最大均值对应的缺失多视图训练样本数据的真实类标签作为待测试的缺失多视图样本的类标签。
2.根据权利要求1所述的一种缺失多视图数据的分类方法，其特征在于，在所述将所述第二隐空间输入至训练好的多视图多路神经网络模型中，并以所述重建损失函数作为目标函数，调整所述第二隐空间，直至所述重建损失函数收敛，得到第二完备隐空间之前，还包括：
依据所述第一完备隐空间对所述训练好的多视图多路神经网络模型进行微调，得到微调后的多视图多路神经网络模型。
3.根据权利要求2所述的一种缺失多视图数据的分类方法，其特征在于，所述依据所述第一完备隐空间对所述训练好的多视图多路神经网络模型进行微调，得到微调后的多视图多路神经网络模型，具体包括：
将所述第一完备隐空间输入至所述训练好的多视图多路神经网络模型中，并以所述重建损失函数作为目标函数调整所述训练好的多视图多路神经网络模型中各个全连接层的权重参数，直至所述重建损失函数收敛，得到微调后的多视图多路神经网络模型。
4.根据权利要求1所述的一种缺失多视图数据的分类方法，其特征在于，所述重建损失函数为：
其中，lr(Sn,hn)表示重建损失函数，Sn表示第n个缺失多视图训练样本数据，表示第n个缺失多视图训练样本中的第v个视图，V表示第n个缺失多视图训练样本中视图的总个数，hn表示第n个缺失多视图训练样本数据对应的第一隐空间，snv表示第n个缺失多视图训练样本中第v个视图是否缺失的标志，表示第v个视图对应的多视图多路神经网络模型，表示第v个视图对应的多视图多路神经网络模型中第r层全连接层的权重参数。
5.根据权利要求4所述的一种缺失多视图数据的分类方法，其特征在于，所述总损失函数为：
其中，Θr表示多视图多路神经网络模型中第r层全连接层的权重参数，N表示缺失多视图训练样本的总数量，lc(yn,yp,hn)表...
【专利技术属性】
技术研发人员：张长青，崔雅洁，韩宗博，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12
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。