一种稀疏情境下大数据随机学习方法，学习策略及系统技术方案

本发明专利技术提供一种稀疏情境下大数据随机学习方法，学习策略及系统，通过构建稀疏优化模型，在所述随机学习模型引入稀疏性预设，构造稀疏正则算子，表述稀疏学习目标，分析该随机学习模型的学习性能与收敛速率；获得最终稀疏优化模型，利用已标记样例信息的基础上，通过最终稀疏优化模型挖掘未标记样例信息，本发明专利技术所述方法和策略可应用于多个领域，实现对大数据的学习和处理，有效提高数据的拟合度和计算的精确度。的精确度。的精确度。

【技术实现步骤摘要】
一种稀疏情境下大数据随机学习方法，学习策略及系统


[0001]本专利技术涉及大数据分析应用
，特别涉及一种稀疏情境下大数据随机学习方法，学习策略及系统。

技术介绍

[0002]稀疏优化模型是最优化领域中非常热门的研究课题，它旨在寻找一个欠定线性系统的稀疏解，即只有极少数的分量不为零。它的本质思想是结合解的稀疏性结构来构建数学模型，克服欠定线性反问题的不适定性，进而提升模型的稳定性和准确性。
[0003]而现有的稀疏优化模型还仅仅是最原始的应用，尚未结合随机学习方法进行构建数学模型，而现有的稀疏优化模型还存在拟合性差，计算效率差等缺点。

技术实现思路

[0004]本专利技术为解决上述技术问题，提供一种稀疏情境下大数据随机学习方法，学习策略及系统，通过构建稀疏情境下大数据随机学习方法，采用所述训练数据集对所述基于稀疏情境下大数据随机学习方法模型进行训练，完成迭代训练并达到收敛性后，通过所述验证数据集在验证数据集上对该随机学习模型的学习性能与收敛速率进行验证，满足性能要求后获得最终随机学习模型，这些稀疏优化算法都具有良好的实际应用效果、计算效率和鲁棒性能．具体的，本专利技术提供一种稀疏情境下大数据随机学习方法，所述方法包括：S1：构建稀疏情境下的随机学习模型；S2：在所述随机学习模型引入稀疏性预设，构造稀疏正则算子；S3：表述稀疏学习目标，分析该随机学习模型的学习性能与收敛速率；获得最终稀疏优化模型；S4：利用已标记样例信息的基础上，通过最终稀疏优化模型挖掘未标记样例信息。
[0005]所述稀疏正则算子，具体为：其中，为正则化参数；A∈是由一组基函数A1，A2，
…
，An组成的矩阵；是观测值组成的向量；x为解变量。
[0006]所述稀疏学习目标，具体为：；式中，S=max（*），*为正则化模型的最优解；>0。
[0007]所述分析该随机学习模型的学习性能与收敛速率，还包括：根据研究对象获取当前所有目标数据，将所述目标数据划分为训练数据集和验证数据集；采用所述训练数据集对随机学习模型进行训练，在验证数据集上对该随机学习模型的学习性能与收敛速率进行
验证，满足性能要求后获得最终随机学习模型。
[0008]根据不同的研究对象设置不同的预设收敛速率，各收敛速率取决于各目标数据的含义和功能。
[0009]所述研究对象至少包括人脸检测，行人计数，网络图像，安全系统和无人驾驶汽车。
[0010]作为另一优选的，本专利技术还提供一种稀疏情境下随机学习策略，所述正则损失函数下随机学习策略采用如上所述稀疏情境下大数据随机学习方法。
[0011]作为另一优选的，本专利技术还提供一种稀疏情境下随机学习系统，至少包括：模型优化单元：构建稀疏情境下的随机学习模型；在所述随机学习模型引入稀疏性预设，构造稀疏正则算子；模型验证单元：表述稀疏学习目标，分析该随机学习模型的学习性能与收敛速率；模型应用单元：利用已标记样例信息的基础上，通过最终稀疏优化模型挖掘未标记样例信息。
[0012]所述稀疏情境下随机学习系统至少应用于人脸检测，行人计数，网络图像，安全系统和无人驾驶汽车，例如至少包括智能驾驶领域的图像处理，医学影像处理等，均不限于此。
[0013]综上所述，本专利技术提供一种稀疏情境下大数据随机学习方法，学习策略及系统，通过构建稀疏优化模型，在所述随机学习模型引入稀疏性预设，构造稀疏正则算子，表述稀疏学习目标，分析该随机学习模型的学习性能与收敛速率；获得最终稀疏优化模型，利用已标记样例信息的基础上，通过最终稀疏优化模型挖掘未标记样例信息，本专利技术所述方法和策略可应用于多个领域，实现对大数据的学习和处理，有效提高数据的拟合度和计算的精确度。本专利技术所述方法和策略可应用于多个领域，实现对大数据的学习和处理，有效提高数据的拟合度和计算的精确度。
附图说明
[0014]图1为本专利技术所述的累计随机梯度学习方法流程图。
具体实施方式
[0015]下面结合具体实施例及附图对本专利技术的一种累计随机梯度学习方法，学习策略，应用和系统，作进一步详细描述。
[0016]具体的，如图1所示，本专利技术提供一种稀疏情境下大数据随机学习方法，所述方法包括：S1：构建稀疏情境下的随机学习模型；S2：在所述随机学习模型引入稀疏性预设，构造稀疏正则算子；S3：表述稀疏学习目标，分析该随机学习模型的学习性能与收敛速率；获得最终稀疏优化模型；S4：利用已标记样例信息的基础上，通过最终稀疏优化模型挖掘未标记样例信息。
[0017]所述稀疏正则算子，具体为：
其中，为正则化参数；A∈是由一组基函数A1，A2，
…
，An组成的矩阵；是观测值组成的向量；x为解变量。
[0018]所述稀疏学习目标，具体为：；式中，S=max（*），*为正则化模型的最优解；>0。
[0019]所述分析该随机学习模型的学习性能与收敛速率，还包括：根据研究对象获取当前所有目标数据，将所述目标数据划分为训练数据集和验证数据集；采用所述训练数据集对随机学习模型进行训练，在验证数据集上对该随机学习模型的学习性能与收敛速率进行验证，满足性能要求后获得最终随机学习模型。
[0020]根据不同的研究对象设置不同的预设收敛速率，各收敛速率取决于各目标数据的含义和功能。
[0021]所述研究对象用于图像处理以及数据分析，至少包括智能驾驶领域的图像处理，医学影像处理等，均不限于此。
[0022]作为另一优选的，本专利技术还提供一种稀疏情境下随机学习策略，所述正则损失函数下随机学习策略采用如上所述稀疏情境下大数据随机学习方法。
[0023]作为另一优选的，本专利技术还提供一种稀疏情境下随机学习系统，至少包括：模型优化单元：构建稀疏情境下的随机学习模型；在所述随机学习模型引入稀疏性预设，构造稀疏正则算子；模型验证单元：表述稀疏学习目标，分析该随机学习模型的学习性能与收敛速率；模型应用单元：利用已标记样例信息的基础上，通过最终稀疏优化模型挖掘未标记样例信息。
[0024]所述稀疏情境下随机学习系统至少应用于不同应用场景与多种大数据系统兼容使用，至少包括针对人脸检测，行人计数，网络图像，安全系统和无人驾驶汽车等领域的大规模图像数据，探索节约计算资源、性能可靠的移动目标检测技术并将其应用于实践中；开发的基于随机策略的大规模数据处理算法同时可应用于移动目标视觉追踪过程中，在灾难救援、多机器人组队、航空航天等应用领域中有广阔的前景。
[0025]尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本专利技术的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本专利技术的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本专利技术的范围之内。
[0026]本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种稀疏情境下大数据随机学习方法，其特征在于，所述方法包括：S1：构建稀疏情境下的随机学习模型；S2：在所述随机学习模型引入稀疏性预设，构造稀疏正则算子；S3：表述稀疏学习目标，分析该随机学习模型的学习性能与收敛速率；获得最终稀疏优化模型；S4：利用已标记样例信息的基础上，通过最终稀疏优化模型挖掘未标记样例信息。2.根据权利要求1所述的一种稀疏情境下大数据随机学习方法，其特征在于，所述稀疏正则算子，具体为：其中，为正则化参数；A∈是由一组基函数A1，A2，
…
，An组成的矩阵；是观测值组成的向量；x为解变量。3.根据权利要求2所述的一种稀疏情境下大数据随机学习方法，其特征在于，所述稀疏学习目标，具体为：；式中，S=max（*），*为正则化模型的最优解；>0。4.根据权利要求3所述的一种稀疏情境下大数据随机学习方法，其特征在于，所述分析该随机学习模型的学习性能与收敛速率，还包括：根据研究对象获取当前所有目标数据，将所述目标数据划分为训练数据集和验证数据集；采用所述训练数据集对随机学习模型进行训练，在验证数据集上对该随机学习模型的学习性能与收敛...

【专利技术属性】
技术研发人员：蒋思阳，蒋辉，
申请(专利权)人：惠州学院，
类型：发明
国别省市：