一种基于图卷积极限学习机的快速半监督分类方法技术

本发明专利技术提供一种基于图卷积极限学习机的快速半监督分类方法，包括以下步骤：构建疾病分类数据的自表达模型，并利用所述自表达模型构建疾病分类数据的全局鲁棒图，得到疾病分类数据的邻接矩阵A；根据所述邻接矩阵A计算随机图卷积模型输出H；根据所述随机图卷积模型输出H计算图卷积极限学习机的输出层权重β；利用计算得到的图卷积极限学习机的输出层权重β对未标记的疾病分类数据进行分类；本发明专利技术的有益效果是：在极限学习机方法中引入图卷积网络来代替隐藏层，构成一种全新的图卷积极限学习机模型；该模型能处理非欧式的图结构数据，如泛化到疾病分类、生物信息、化学医药等领域中，同时能够保持极限学习机的快速学习速度和通用的逼近能力。

【技术实现步骤摘要】
一种基于图卷积极限学习机的快速半监督分类方法
本专利技术涉及模式识别、数据分类领域，尤其涉及一种基于图卷积极限学习机的快速半监督分类方法。
技术介绍
极限学习机(Extremelearningmachine)是一项十分重要的技术，它在医学/生物数据分析、计算机视觉、图像处理以及系统建模和预测等领域取得了巨大的成功。极限学习机是随机向量函数连接网络(Randomvectorfunctional-linknetwork)中的一种特例，它是一种单隐层前馈神经网络，其中其隐藏层是随机产生的，且输出权重值可以求出解析解。由于极限学习机避开了隐藏层的训练，因此该方法有着计算量小、运算速度快的优势。尽管极限学习机有着众多性能优势和广泛的应用领域，但该方法只能对常规的欧式数据进行操作，如文本(一维的序列数据)和图片(二维的网格数据)，而对于非欧式的图结构数据(Graph)，如医学疾病类和生物分子类的非欧式结构数据，传统的极限学习机很难直接处理其中的邻居关系，因此使用极限学习机进行图数据挖掘仍然是一个待解决的开放性问题。近年来，图神经网络(Gra本文档来自技高网...

【技术保护点】
1.一种基于图卷积极限学习机的快速半监督分类方法，其特征在于：具体包括：/nS101：构建疾病分类数据的自表达模型，并利用所述自表达模型构建疾病分类数据的全局鲁棒图，得到输入的疾病分类数据的邻接矩阵A；/nS102：根据所述邻接矩阵A计算随机图卷积模型输出H；/nS103：结合极限学习机，根据所述随机图卷积模型输出H，计算图卷积极限学习机的输出层权重β；/nS104：利用图卷积极限学习机的输出层权重β对未标记的疾病分类数据进行分类。/n

【技术特征摘要】
1.一种基于图卷积极限学习机的快速半监督分类方法，其特征在于：具体包括：
S101：构建疾病分类数据的自表达模型，并利用所述自表达模型构建疾病分类数据的全局鲁棒图，得到输入的疾病分类数据的邻接矩阵A；
S102：根据所述邻接矩阵A计算随机图卷积模型输出H；
S103：结合极限学习机，根据所述随机图卷积模型输出H，计算图卷积极限学习机的输出层权重β；
S104：利用图卷积极限学习机的输出层权重β对未标记的疾病分类数据进行分类。


2.如权利要求1所述的一种基于图卷积极限学习机的快速半监督分类方法，其特征在于：步骤S101中，构建输入的疾病分类数据的自表达模型，如式(1)所示：
XTZ＝XT，s.t.,diag(Z)＝0(1)
式(1)中，表示输入的疾病分类数据特征集；其中N为所述疾病分类数据特征集样本的个数，m为所述疾病分类数据特征集特征的维度，表示自表达系数矩阵，diag(Z)＝0表示Z的对角线元素为零。


3.如权利要求2所述的一种基于图卷积极限学习机的快速半监督分类方法，其特征在于：步骤S101中，利用所述自表达模型构建疾病分类数据的全局鲁棒图，得到疾病分类数据的邻接矩阵A，具体如下：
S201：利用拉格朗日乘子法对式(1)进行最小化求解，得到式(2)：



式(2)中表示矩阵的F范数，α为正则化系数，为预设值；
S202：对式(2)中的Z求偏导数，进行解析，得到式(3)：
Z＝(XXT+αIN)-1XXT(3)
式(3)中，IN表示N维的单位矩阵；
S203：将Z作为全局鲁棒图的边的权值的估计，根据式(3)构造疾病分类数据的邻接矩阵A，如式(4)：





4.如权利要求3所述的一种基于图卷积极限学习机的快速半监督分类方法，其特征在于：步骤S102中，根据所述邻接矩阵A计算随机图卷积模型输出H，如式(5)所示...

【专利技术属性】
技术研发人员：张子佳，蔡耀明，龚文引，刘小波，蔡之华，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42