【技术实现步骤摘要】
基于迁移学习解决在线复杂优化计算的稀疏特征学习方法
本专利技术涉及信号特征表达学习领域，具体涉及一种基于解决在线复杂优化计算的稀疏特征学习方法。
技术介绍
机器学习的本质是使机器能够模拟或实现人类的学习能力，特征表达学习亦是如此。视觉是人类最重要的信息接收系统，我们每时每刻都在通过眼睛感知外部世界丰富多彩的信息，据统计，外部世界信息约有80％～90％是通过视觉系统感知到的。人类神经学的研究表明，人眼视觉神经系统(HVS)可看作是一种高效且合理的图像处理系统。在人眼视觉神经系统中，从视网膜到大脑皮层存在一系列简单的神经元，以“感受域”模式描述。感受域是视觉神经系统处理信息的功能单元和基本结构，是视网膜上能引起或调节视觉细胞响应刺激的区域。生物学研究明白，哺乳动物的主视皮层V1区神经元的感受域能对视觉感知信号产生一种“稀疏表达”(SparseRepresentation，SR)。自此，用于求解信号稀疏特征表达的稀疏编码技术得到了广泛的应用，在语音信号处理、盲源信号分离、自然图像去噪、自然图像特征提取以及模式识别等方面取得许多的研...
【技术保护点】
1.一种基于迁移学习解决在线复杂优化计算的稀疏特征学习方法，其特征在于，包括以下步骤:/n步骤S1:采集数据集，对于图像数据，先将其转化为向量作为训练集样本；/n步骤S2:在源域中，采用同伦迭代硬阈值算法求解训练集的稀疏特征；/n步骤S3:将源域中得到的稀疏特征迁移到目标域作为真值，训练目标域中单隐层神经网络输入层与隐藏层之间的输入权重；/n步骤S4:根据得到的输入权重，计算训练样本的近似稀疏特征，并根据近似稀疏特征和训练样本的类别标签矩阵，训练线性分类模型；/n步骤S5:计算待测样本的近似稀疏特征并将其输入分类器，计算得到待测样本的分类标签。/n
【技术特征摘要】
1.一种基于迁移学习解决在线复杂优化计算的稀疏特征学习方法，其特征在于，包括以下步骤:
步骤S1:采集数据集，对于图像数据，先将其转化为向量作为训练集样本；
步骤S2:在源域中，采用同伦迭代硬阈值算法求解训练集的稀疏特征；
步骤S3:将源域中得到的稀疏特征迁移到目标域作为真值，训练目标域中单隐层神经网络输入层与隐藏层之间的输入权重；
步骤S4:根据得到的输入权重，计算训练样本的近似稀疏特征，并根据近似稀疏特征和训练样本的类别标签矩阵，训练线性分类模型；
步骤S5:计算待测样本的近似稀疏特征并将其输入分类器，计算得到待测样本的分类标签。
2.根据权利要求1所述的基于迁移学习解决在线复杂优化计算的稀疏特征学习方法，其特征在于，所述步骤S2具体为：
步骤S21:对于输入训练集X＝{x1，x2，...，xN>∈Rp×N，对于每一个样本xi∈Rp优化下列目标函数：
其中，D∈Rp×K表示过完备字典，αi∈RK为xi的稀疏特征，λ为正则系数；
步骤S22:根据硬阈值算子，得到解析解：
其中，[·]i表示向量的第i个元素，t表示迭代次数，L表示的Lipschitz常数的上界。
3.根据权利要求1所述的基于迁移学习解决在线复杂优化计算的稀疏特征学习方法，其特征在于，所述步骤S3具体为：
步骤S31:给定输入样本X＝(x1，x2，...，xN}∈Rp×N及其对应的稀疏特征集A＝{α1，α2，...，αN}∈RK×N，该神经网络的目标函数表示为：
其中，g(.)表示激活函数，W∈Rd*K表示输入层...
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。