一种自适应权重的多视图判别方法技术

本发明专利技术公开了一种自适应权重的多视图判别方法，包括以下步骤：构建数据集不同视图的无向权重图，并计算出拉普拉斯矩阵L

【技术实现步骤摘要】
一种自适应权重的多视图判别方法


[0001]本专利技术涉及图像识别
，更具体的，涉及一种自适应权重的多视图判别方法。

技术介绍

[0002]随着现在科技的不断进步，获取的原始图像数据通常是多样化且高维的，这将导致在处理多视图数据时面临着巨大的挑战。为了降低计算机内存的消耗以及对数据的计算量，首先会考虑运用主成分分析方法(PCA)与线性判别分析(LDA)算法两种最经典的优化算法。但由于上述算法对噪音较为敏感，为此He等人论文“Locality Preserving Projections”提出了局部保留投影，通过保持数据的局部结构信息来提高算法对噪声的鲁棒性。
[0003]相比于单视图学习算法而言，多视图特征学习能够整合一个对象的多个角度来进行学习，因此，多视图算法能够提取原始数据中更多的判别信息，从而获得更好的性能。Zhang等人基于希尔伯特
‑
施密特独立性准则提出了Fisher
‑
HSIC多视图度量学习(Fisher
‑
HSIC Multi
‑r/>View Me本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应权重的多视图判别方法，其特征在于，包括以下步骤：S1：将多个视图数据X＝{X1，X2，
…
，X
V
}分成训练集Tr＝{X
tr
，L
tr
}和测试集Te＝{X
te
，L
te
}，其中X
tr
是训练集，L
tr
表示训练集的标签，X
te
表示测试集，L
te
表示测试集的标签；S2：构造训练集L
tr
的无向权重图G，并计算得到G的邻接矩阵S以及相应的拉普拉斯矩阵L
S
；S3：基于希尔伯特
‑
施密特独立性准则对多个视图数据进行一致性约束，并计算出约束矩阵T，构建结构一致性保留正则项；S4：采用主成分分析方法初始化多个视图数据中的每个视图数据的投影矩阵P＝[P1，P2，
…
，P
v
]，并结合共识的低秩稀疏表征学习方法对P进行优化；S5：引入权重参数并根据多个视图数据中的每个视图数据X
V
包含的信息量赋予相应的权重；S6：基于S2
‑
S5，构建基于一致性约束的自适应权重的多视图判别分析学习模型；S7：通过引入辅助变量J以及松弛低秩表示为核范数来对多视图判别分析学习模型进行学习，得到最优的多视图特征投影矩阵P
*
；S8：利用最优的多视图特征投影矩阵P
*
计算测试集X
te
的特征投影P
*
X
te
，以及训练集的特征投影P
*
X
tr
，将特征投影P
*
X
te
和P
*
X
tr
输入到knn分类器f中进行分类，得出分类准确率；C
t
＝f(P
*
X
tr
，P
*
X
te
)式中：C
t
表示分类标签。2.根据权利要求1所述的一种自适应权重的多视图判别方法，其特征在于：步骤S1还包括：将多个视图数据X分成训练集和测试集，并对图像数据集进行归一化处理。3.根据权利要求2所述的自适应权重的多视图判别方法，其特征在于：在步骤S3中，关于相似矩阵S的表达式可表示为：其中X
v，i
∈R
n
×1表示第v视图的第i列向量，P
v
＝[p1，p2，
…
，p
q
]
T
∈R
q
×
n
表示第v视图特征投影矩阵。进一步拉普拉斯矩阵L
S
的表达式如下：L
S
＝(I
‑
S)*(I
‑
S)
T
其中：式中：S表示一个相似矩阵，S
ij
表示S矩阵中第i行第j列的数值，I表示单位矩阵，其对角元素满足4.根据权利要求3所述的一种自适应权重的多视...

【专利技术属性】
技术研发人员：刘同来，刘双印，张万桢，徐龙琴，郭建军，曹亮，尹航，李锦慧，
申请(专利权)人：仲恺农业工程学院，
类型：发明
国别省市：