一种图网络构建方法、装置、电子设备和存储介质制造方法及图纸

本申请实施例提供了一种图网络构建方法、装置、电子设备和存储介质。通过获取原始数据后，采用自适应加权非负低秩稀疏公式对原始数据构建图网络，并求解自适应加权非负低秩稀疏公式中的各个变量参数。根据各变量参数和预设的损失函数，确定变量参数中的亲和矩阵是否满足迭代条件，并在亲和矩阵不满足迭代条件的情况下，再次求解自适应加权非负低秩稀疏公式中的各个变量参数，直至亲和矩阵满足迭代条件。根据满足迭代条件的亲和矩阵，构建原始数据对应的目标图网络。自适应权重矩阵是根据原始数据中的噪声特征和冗余数据对自身的各个元素迭代修正，以自动调整对噪声特征的权重，降低噪声特征对原始数据中重要特征的影响，构建更鲁棒的图网络。鲁棒的图网络。鲁棒的图网络。

【技术实现步骤摘要】
一种图网络构建方法、装置、电子设备和存储介质


[0001]本申请涉及图学习
，尤其涉及一种图网络构建方法、装置、电子设备和存储介质。

技术介绍

[0002]图网络可简称为图，旨在表示现实世界中各实体之间的关系，通常包括自然图和低秩图。目前，稀疏表示和低秩表示已被广泛地应用于图的构建中。稀疏表示是将每个原始数据中的数据点表示为空间中其他数据点的线性组合，并通过引入稀疏约束条件，得到自然图。对稀疏表示得到的自然图进一步施加核范数约束，以得到的联合学习图，称为低秩图。
[0003]高维的原始数据的每个维度可认为是一个数据点，并且通过各个维度的数据点可表示各个维度下的特征，但是在基于高维的原始数据构建图的时候，采集到高维的原始数据中可能存在错误的特征，以及构建图时无需采用的特征，其中，错误的特征可称为异常值，构建图时无需采用的特征可称为冗余特征，异常值和冗余特征共同构成噪声特征。
[0004]然而，高维的原始数据中通常含有大量的冗余特征和异常值，利用低秩表示和稀疏表示进行图网络构建时，通常噪声特征和重要特征无法很好地区分。因此，如何从原始数据中学习有效的图表示是图网络构建的重要挑战。

技术实现思路

[0005]本申请实施例提供了一种图网络构建方法、装置、电子设备和存储介质，能够对高位的原始数据中的噪声特征进行区分，构建更为合理、有效的图网络。
[0006]第一方面，本申请实施例提供一种图网络构建方法，包括：
[0007]获取原始数据；
[0008]采用自适应加权非负低秩稀疏公式对原始数据构建图网络，并求解自适应加权非负低秩稀疏公式中的各个变量参数；自适应加权非负低秩稀疏公式包括：线性拟合项、自适应权重矩阵约束项、亲和矩阵约束项以及距离约束项；线性拟合项采用自适应权重矩阵对原始数据中的噪声特征赋权；自适应权重矩阵是根据原始数据中的噪声特征和冗余数据对自适应权重矩阵中的各个元素进行迭代修正，以对噪声特征的权重进行自动调整；距离约束项为原始数据中各个数据点与其他数据点之间的距离的约束项；变量参数包括自适应权重矩阵、亲和矩阵、噪声矩阵、距离矩阵；
[0009]根据各变量参数和预设的损失函数，确定变量参数中的亲和矩阵是否满足迭代条件，并在亲和矩阵不满足迭代条件的情况下，再次求解自适应加权非负低秩稀疏公式中的各个变量参数，直至亲和矩阵满足迭代条件；
[0010]根据满足迭代条件的亲和矩阵，构建原始数据对应的目标图网络。
[0011]在一种可行的实现方式中，自适应加权非负低秩稀疏公式为：
[0012][0013]其中，S为自适应权重矩阵，X为原始数据，λ1、λ2、λ3分别为预设的正则化参数，D为原始数据中各个数据点之间的距离矩阵，E为X中的噪声矩阵，Z为亲和矩阵，||
·
||表示范数，为线性拟合项，为为自适应权重矩阵约束项，λ2||Z||
*
为亲和矩阵约束项，λ3Tr(D
T
Z)为距离约束项，S、E、Z、D为变量参数，s.t.用于指示约束条件，s.t.S表示约束条件为S。
[0014]在一种可行的实现方式中，采用自适应加权非负低秩稀疏公式对原始数据构建图网络，并求解自适应加权非负低秩稀疏公式中的各个变量参数，包括：
[0015]对自适应加权非负低秩稀疏公式进行拉格朗日变换，得到变换后的初始化图构建公式；
[0016]获取初始化图构建公式中的各个初始变量参数，并基于各初始变量参数，确定自适应加权非负低秩稀疏公式中的各个变量参数；
[0017]则确定变量参数中的亲和矩阵是否满足迭代条件，包括：
[0018]根据自适应加权非负低秩稀疏算法中的各个变量参数、各个初始变量参数以及预设的损失函数，计算损失值；
[0019]当损失值小于预设参数阈值时，则变量参数中的亲和矩阵满足迭代条件；
[0020]当损失值不小于预设参数阈值时，则变量参数中的亲和矩阵不满足迭代条件。
[0021]在一种可行的实现方式中，初始图构建公式为：
[0022][0023]其中，S为自适应权重矩阵，X为原始数据，λ1、λ2、λ3分别为预设的正则化参数，D为原始数据中各个数据点之间的距离矩阵，E为X中的噪声矩阵，X为原始数据，Z为亲和矩阵，||
·
||表示范数，Z＝U，μ为惩罚参数、C1、C2为拉格朗日乘子。
[0024]在一种可行的实现方式中，获取初始化图构建公式中的各个初始变量参数，并基于各初始变量参数，确定自适应加权非负低秩稀疏公式中的各个变量参数，包括：
[0025]对变量参数中的Z、E、S和U中的任意三个变量进行赋值，作为初始变量参数；
[0026]根据初始变量参数，确定自适应加权非负低秩稀疏公式中Z、E、S和U中未赋值的第一变量参数；
[0027]根据各第一变量参数和拉格朗日乘子确定公式中，求解自适应加权非负低秩稀疏公式中的第二变量参数，第二变量参数为自适应加权非负低秩稀疏公式中除Z、E、S和U之外的μ、C1和C2。
[0028]在一种可行的实现方式中，拉格朗日乘子确定公式为：
[0029]C1＝C1+μ(X
‑
XZ
‑
E)；
[0030]C2＝C2+μ(Z
‑
U)；
[0031][0032]其中，μ
max
，ρ均为为正值，Z
k
,U
k
,E
k
分别为第一变量参数中第k次迭代过程中的Z、U、E；Z
k
‑1,U
k
‑1,E
k
‑1分别为第k
‑
1次迭代过程中中的Z、U、E，k≥1，且k为正整数。
[0033]在一种可行的实现方式中，自适应加权非负低秩稀疏公式的构建方式，包括：
[0034]获取初始自适应加权非负低秩稀疏公式；初始自适应加权非负低秩稀疏公式为：
[0035][0036]对初始自适应加权非负低秩稀疏公式引入初始距离约束项，得到参考自适应加权非负低秩稀疏公式；参考自适应加权非负低秩稀疏公式为：
[0037][0038]其中，W(x
i
,x
j
)为原始数据中第i个数据点至第j个数据点之间的堆土距离，λ3W(x
i
,x
j
)为初始距离约束项；
[0039]约束参考自适应加权非负低秩稀疏公式中Z的对角线为0，每一行的和为1，并且引入W(x
i
,x
j
)对Z的影响值，得到自适应加权非负低秩稀疏公式，自适应加权非负低秩稀疏公式为：
[0040][0041]第二方面，本申请实施例提供一种图网络构建装置，包括：
[0042]获取模块，用于获取原始数据；
[0043]初始图网络构建模块，用于采用自适应加权非负低秩稀疏公式对原始数据构建图网络，并求解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图网络构建方法，其特征在于，包括：获取原始数据；采用自适应加权非负低秩稀疏公式对所述原始数据构建图网络，并求解所述自适应加权非负低秩稀疏公式中的各个变量参数；所述自适应加权非负低秩稀疏公式包括：线性拟合项、自适应权重矩阵约束项、亲和矩阵约束项以及距离约束项；所述线性拟合项采用自适应权重矩阵对所述原始数据中的噪声特征赋权；所述自适应权重矩阵是根据所述原始数据中的噪声特征和冗余数据对所述自适应权重矩阵中的各个元素进行迭代修正，以对所述噪声特征的权重进行自动调整；所述距离约束项为所述原始数据中各个数据点与其他数据点之间的距离的约束项；所述变量参数包括所述自适应权重矩阵、亲和矩阵、噪声矩阵、距离矩阵；根据各所述变量参数和预设的损失函数，确定所述变量参数中的亲和矩阵是否满足迭代条件，并在所述亲和矩阵不满足迭代条件的情况下，再次求解所述自适应加权非负低秩稀疏公式中的各个变量参数，直至所述亲和矩阵满足迭代条件；根据满足迭代条件的所述亲和矩阵，构建所述原始数据对应的目标图网络。2.根据权利要求1所述的方法，其特征在于，所述自适应加权非负低秩稀疏公式为：s.t.S≥0,S
T
1＝1,diag(Z)＝0,Z≥0,Z1＝1；其中，所述S为所述自适应权重矩阵，所述X为所述原始数据，所述λ1、λ2、λ3分别为预设的正则化参数，所述D为所述原始数据中各个数据点之间的所述距离矩阵，所述E为所述X中的所述噪声矩阵，所述Z为所述亲和矩阵，||
·
||表示范数，所述为所述线性拟合项，所述为为所述自适应权重矩阵约束项，所述λ2||Z||
*
为所述亲和矩阵约束项，所述λ3Tr(D
T
Z)为所述距离约束项，所述S、E、Z、D为所述变量参数，s.t.用于指示约束条件，s.t.S表示约束条件为S。3.根据权利要求1或2所述的方法，其特征在于，所述采用自适应加权非负低秩稀疏公式对所述原始数据构建图网络，并求解所述自适应加权非负低秩稀疏公式中的各个变量参数，包括：对所述自适应加权非负低秩稀疏公式进行拉格朗日变换，得到变换后的初始化图构建公式；获取所述初始化图构建公式中的各个初始变量参数，并基于各所述初始变量参数，确定所述自适应加权非负低秩稀疏公式中的各个变量参数；则所述确定所述变量参数中的亲和矩阵是否满足迭代条件，包括：根据所述自适应加权非负低秩稀疏算法中的各个变量参数、各个初始变量参数以及所述预设的损失函数，计算损失值；当所述损失值小于预设参数阈值时，则所述变量参数中的亲和矩阵满足迭代条件；当所述损失值不小于所述预设参数阈值时，则所述变量参数中的亲和矩阵不满足迭代条件。4.根据权利要求3所述的方法，其特征在于，所述初始图构建公式为：
其中，所述S为所述自适应权重矩阵，所述X为所述原始数据，所述λ1、λ2、λ3分别为预设的正则化参数，所述D为所述原始数据中各个数据点之间的距离矩阵，所述E为所述X中的所述噪声矩阵，所述X为所述原始数据，所述Z为所述亲和矩阵，||
·
||表示范数，所述Z＝U，所述μ为惩罚参数、所述C1、C2为拉格朗日乘子。5.根据权利要求4所述的方法，其特征在于，所述获取所述初始化图构建公式中的各个初始变量参数，并基于各所述初始变量参数，确定所述自适应加权非负低秩稀疏公式中的各个变量参数，包括：对所述变量参数中的Z、E、S和U中的任意三个变量进行赋值，作为所述初始变量参数；根据所述初始变量参数，确定所述自适应加权非负低秩稀疏公式中所述Z、E、S和U中未赋值的第一变量参数；根据各所述第一变量参数和拉格朗日乘子确定公式中，求解所述自适应加...

【专利技术属性】
技术研发人员：胡斌，董群喜，李志刚，刘竞宇，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：