自适应图约束多视图线性判别分析方法、系统及存储介质技术方案

一种自适应图约束多视图线性判别分析方法、系统及存储介质，方法包括：获取多视图的公共低维表征和各个视图的投影矩阵；利用公共低维表征自适应的学习一个能够反应数据内在分布的图来约束学习过程；利用线性判别的方法学习最佳投影矩阵；通过最佳投影矩阵对测试集多视图数据进行特征提取，将特征提取的结果输入到KNN分类系统中完成分类任务。本发明专利技术将多视图典型相关分析和线性判别分析相结合并进行了统一的表达，多视图学习的特征提取方法也比单视图特征提取方法更加适用于分类任务，线性判别分析利用了未知标签数据的标签信息，同时考虑到图形诱导的公共源知识，最小化了期望的规范变量之间的距离，实现对多视图数据特征的融合提取和降维。融合提取和降维。融合提取和降维。

【技术实现步骤摘要】
自适应图约束多视图线性判别分析方法、系统及存储介质


[0001]本专利技术属于多视图数据分类
，具体涉及一种自适应图约束多视图线性判别分析方法、系统及存储介质。

技术介绍

[0002]在许多实际应用中，多视图学习通常比单视图学习更加鲁棒。多视图学习的一个关键问题是如何有效利用来自不同特征集的信息，一种有效的方法是通过为这些特征集获取一个公共的子空间来融合信息，通常使用特征提取来实现该子空间。典型相关分析是多视图学习的经典工具，它通过使两个视图之间的互相关性最大化来为每个视图分别学习一个线性的投影矩阵。多视图典型相关分析是典型相关分析在多视图数据上的扩展，可用于处理多于两个视图的数据。
[0003]线性判别分析是最经典的有监督的降维算法之一，在降维过程中能够充分利用大量数据的先验标签信息，使每个类中的数据彼此接近，而不同类中的数据彼此远离。将多视图典型相关分析方法与线性判别分析方法相融合可以兼顾不同视图特征的线性提取以及利用标签信息进行有监督的分类学习。但是对于目前所提出的多视图数据分类方法来说，这些方法还存在以下一些不足之处，降低了多视图数据特征和降维的性能，进而降低分类的性能。
[0004](1)对于多视图数据的分类问题，充分利用数据的标签信息，发掘出数据中的判别信息至关重要。从这个角度看，现有许多的多视图特征提取方法是无监督的，没有利用到数据的标签，且学习到的特征并没有保持原始数据的内部几何拓扑结构信息，导致了数据浪费。
[0005](2)现有的有监督方法将特征的提取分为毫无关联的两个部分。这些方法先通过无监督的方式求得一个公共子空间，然后在这个公共子空间上用有监督的方法进行进一步提取。这样的方法在第一步求解公共子空间的过程中没有利用到数据的标签信息，可能导致学习到的公共子空间不是最优解。
[0006](3)现有许多的多视图特征提取算法只在视图数量少、数据规模小的数据集上效果较好，在视图数量较多或数据规模较大时，会因为超参数过多或其他原因导致计算复杂度过大，从而使得处理这些大型数据集变得非常困难。

技术实现思路

[0007]本专利技术的目的在于针对上述现有技术中的问题，提供一种自适应图约束多视图线性判别分析方法、系统及存储介质，充分利用数据的标签等判别性信息来提高特征提取性能。
[0008]为了实现上述目的，本专利技术有如下的技术方案：
[0009]第一方面，提供一种自适应图约束多视图线性判别分析方法，包括以下步骤：
[0010]获取多视图的公共低维表征和各个视图的投影矩阵；
[0011]利用公共低维表征自适应的学习一个能够反应数据内在分布的图来约束学习过程；
[0012]利用线性判别的方法学习最佳投影矩阵；
[0013]通过最佳投影矩阵对测试集多视图数据进行特征提取，将特征提取的结果输入到KNN分类系统中完成分类任务。
[0014]作为本专利技术自适应图约束多视图线性判别分析方法的一种优选方案，通过最大化训练集多视图数据间的典型相关系数获取多视图的公共低维表征和各个视图的投影矩阵。
[0015]更进一步的，作为本专利技术自适应图约束多视图线性判别分析方法的一种优选方案，所述获取多视图的公共低维表征和各个视图的投影矩阵的步骤包括：
[0016]对输入数据所有视图的特征都标准化为0均值并通过标准差进行归一化，消除特征间单位和尺度差异的影响；
[0017]将输入的多视图数据通过随机线性特征映射到各视图共享的公共子空间，其中为第m个视图的数据，则第m个视图的转换矩阵的表达式为：
[0018][0019]式中，表示各视图共享的公共子空间；D
m
表示第m个视图的维度数量，d表示S的维度。
[0020]作为本专利技术自适应图约束多视图线性判别分析方法的一种优选方案，所述利用线性判别的方法学习最佳投影矩阵的步骤包括：
[0021]基于最小二乘的线性判别分析利用大量数据的先验标签信息，使每个类中的数据彼此接近，不同类中的数据彼此远离，找到一个投影矩阵W最小化函数。
[0022]更进一步的，作为本专利技术自适应图约束多视图线性判别分析方法的一种优选方案，所述投影矩阵W最小化函数的计算表达式如下：
[0023]W＝(SHS
T
+γD)
‑1SHY
[0024]式中，为偏置矩阵；D为单位矩阵；Y为数据标签，目标函数对S
T
的微分为J，通过对J进行SVD分解并不断更新S和J直至收敛得到公共子空间S。
[0025]更进一步的，作为本专利技术自适应图约束多视图线性判别分析方法的一种优选方案，所述利用公共低维表征自适应的学习一个能够反应数据内在分布的图来约束学习过程包括：
[0026]构建如下损失函数表达式：
[0027][0028]式中，Y代表数据标签，α和γ用来平衡模型算法中MCCA和LDA的影响，L
S
为图拉普拉斯矩阵，A是对应于拉普拉斯矩阵L
S
的亲和矩阵；
[0029]所述通过最佳投影矩阵对测试集多视图数据进行特征提取的步骤包括，根据损失函数，对每个变量求出局部最优解，然后进行迭代优化，完成特征提取。
[0030]更进一步的，作为本专利技术自适应图约束多视图线性判别分析方法的一种优选方
案，所述损失函数简化为如下表达式：
[0031][0032]式中，
[0033]令J＝2ZS
T
+2HS
T
A+2B，再将上式化简为：
[0034][0035]当偏置项b和公共子空间S固定时，关于投影矩阵W的损失函数为：
[0036][0037]当投影矩阵W和公共子空间S固定时，关于偏置项b的损失函数为：
[0038][0039]当投影矩阵W、偏置项b和公共子空间S固定时，关于转换矩阵U
m
的损失函数为：
[0040][0041]当转换矩阵U
m
、偏置项b、公共子空间S和投影矩阵W固定时，关于亲和矩阵A的损失函数为：
[0042][0043]第二方面，提供一种自适应图约束多视图线性判别分析系统，包括：
[0044]数据获取模块，用于获取多视图的公共低维表征和各个视图的投影矩阵；
[0045]学习约束模块，用于利用公共低维表征自适应的学习一个能够反应数据内在分布的图来约束学习过程；
[0046]最佳投影矩阵学习模块，用于利用线性判别的方法学习最佳投影矩阵；
[0047]特征提取与分类模块，用于通过最佳投影矩阵对测试集多视图数据进行特征提取，将特征提取的结果输入到KNN分类系统中完成分类任务。
[0048]第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如第一方面所述的自适应图约束多视图线性判别分析方法。
[0049]相较于现有技术，本专利技术至少具有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应图约束多视图线性判别分析方法，其特征在于，包括以下步骤：获取多视图的公共低维表征和各个视图的投影矩阵；利用公共低维表征自适应的学习一个能够反应数据内在分布的图来约束学习过程；利用线性判别的方法学习最佳投影矩阵；通过最佳投影矩阵对测试集多视图数据进行特征提取，将特征提取的结果输入到KNN分类系统中完成分类任务。2.根据权利要求1所述的自适应图约束多视图线性判别分析方法，其特征在于，通过最大化训练集多视图数据间的典型相关系数获取多视图的公共低维表征和各个视图的投影矩阵。3.根据权利要求2所述的自适应图约束多视图线性判别分析方法，其特征在于，所述获取多视图的公共低维表征和各个视图的投影矩阵的步骤包括：对输入数据所有视图的特征都标准化为0均值并通过标准差进行归一化，消除特征间单位和尺度差异的影响；将输入的多视图数据通过随机线性特征映射到各视图共享的公共子空间，其中为第m个视图的数据，则第m个视图的转换矩阵的表达式为：式中，表示各视图共享的公共子空间；D
m
表示第m个视图的维度数量，d表示S的维度。4.根据权利要求1所述的自适应图约束多视图线性判别分析方法，其特征在于，所述利用线性判别的方法学习最佳投影矩阵的步骤包括：基于最小二乘的线性判别分析利用大量数据的先验标签信息，使每个类中的数据彼此接近，不同类中的数据彼此远离，找到一个投影矩阵W最小化函数。5.根据权利要求4所述的自适应图约束多视图线性判别分析方法，其特征在于，所述投影矩阵W最小化函数的计算表达式如下：W＝(SHS
T
+γD)
‑1SHY式中，为偏置矩阵；D为单位矩阵；Y为数据标签，目标函数对S
T
的微分为J，通过对J进行SVD分解并不断更新S和J直至收敛得到公共子空间S。6.根据权利要求5所述的自适应图约束多视图线性判别分析方法，其特征在于，所述利用公共低维表征自适应的...

【专利技术属性】
技术研发人员：王飞，张家萌，郭宇，张雪涛，赵露婷，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：