【技术实现步骤摘要】
本专利技术涉及数据分类，更具体地说，它涉及一种基于深度自表示局部块学习的数据分类方法及系统。
技术介绍
1、图像分类（image classification）是对图像内容进行分类的问题，它利用分类模型对图像进行定量分析，把图像或图像中的区域划分为若干个类别，以代替人的视觉判断。随着信息收集技术的不断发展，收集到的数据规模越来越大，面对具有高维度和复杂结构的图像数据，现有的基于深度学习的子空间聚类方法通过结合深度学习和子空间聚类的技术，能够自适应地提取图像数据的特征，并进行子空间重建，在处理高维复杂图像数据时具有很大的优势。
2、然而，目前基于深度学习的子空间方法仅仅利用了最深层潜在空间的特征信息，未能充分考虑图像样本的细节特征和抽象特征之间的平衡，可能会丢失一些原始图像数据中包含的有用信息。此外，数据中存在的异常值也会对生成干净的块对角结构自表示系数矩阵产生负面影响，影响自表示学习。这些问题会导致模型不能有效地学习图像数据的特征表达，从而导致图像分类的结果不准确。
3、有鉴于此，本申请提供一种基于深度自表示局部块学习的数据分类方法及系统，解决上述问题。
技术实现思路
1、本申请的目的是提供一种基于深度自表示局部块学习的数据分类方法及系统，解决在图像分类中存在的异常值对自表示学习的影响，以及目前基于深度学习的子空间方法未能充分考虑图像样本的细节特征和抽象特征之间的平衡，导致模型无法有效地学习图像数据的特征表示，使得图像分类结果不准确的问题；本申请将全局结构信
2、本申请首先提供一种基于深度自表示局部块学习的数据分类方法，包括：s1、获取图像输入数据，将所述图像输入数据依次通过多个编码器和对应的多个解码器，得到图像输入数据在潜在空间中由浅到深的多个第一特征；s2、将多个所述第一特征输入自表示层学习多个所述第一特征之间的相似关系，得到每个第一特征的第一矩阵；s3、将各个第一矩阵进行堆叠，并利用卷积网络对各个第一矩阵进行共识表示学习，得到第二矩阵；s4、将第二矩阵分割为多个分块矩阵，根据分块矩阵中同类样本的分布情况生成分块矩阵的权值，每个分块矩阵通过对应的权值进行约束，约束后的分块矩阵重组成为新的第二矩阵，用于更新第二矩阵，并以总体损失函数最小为目标优化网络参数，再次更新第二矩阵，得到最终第二矩阵；s5、通过最终第二矩阵构造第三矩阵，对第三矩阵执行谱聚类算法，得到数据分类结果；
3、其中，步骤s4包括：s41、对第二矩阵进行不同尺寸的切割，得到多个分块矩阵；s42、对每个分块矩阵进行全平均池化和归一化处理，得到每个分块矩阵对应的权值；s43、将得到的权值与分块矩阵相乘，更新每个分块矩阵；s44、将更新后的每个分块矩阵重新组合更新第二矩阵，并通过总体损失函数优化网络参数，得到最终第二矩阵。
4、采用上述技术方案，通过多个编码器由浅到深提取图像数据中的第一特征，并对第一特征进行融合得到第二矩阵。多个编码器由浅到深的提取了图像数据的细节特征和抽象特征，得到的第二矩阵充分学习了图像数据的全局结构信息和局部结构信息，对原始视图进行了更准确、更全面的表示。另外，本方案对于第二矩阵进行分块加权学习，根据分块矩阵中的同一类样本的分布情况进行自加权，可以降低异常数据对第二矩阵块对角结构的影响，提升模型的聚类性能，使得图像分类结果更为准确。
5、在一种可能的实施方式中，步骤s2中：多个所述第一特征以自表示层的损失函数最小为目标，学习多个所述第一特征之间的相似关系，自表示层的损失函数表述如下：
6、，
7、其中，表示自表示层的损失函数，表示强制约束项，表示任意正则化范数，表示f-范数，公式中的第一项是正则化项，表示第个第一特征的第一矩阵，表示第一特征的总数，公式中的第二项表示第一特征通过自表示层时产生的网络损失。
8、在一种可能的实施方式中，所述总体损失函数表述如下：
9、，
10、其中，表示总体损失函数，表示强制约束项，表示任意正则化范数，表示f-范数，和表示控制不同项重要程度的权衡参数，公式中的第一项表示图像输入数据的重构损失，公式中的第二项和第三项分别表示正则化损失和自表示层的损失，表示图像输入数据，表示重构后的图像输入数据，表示第个第一特征的第一矩阵，表示第一特征的总数，表示第一特征。
11、在一种可能的实施方式中，所述第三矩阵的函数表述如下：
12、，
13、其中，为第三矩阵，c为最终第二矩阵。
14、在一种可能的实施方式中，s1、获取图像输入数据，将所述图像输入数据依次通过多个编码器和对应的多个解码器，得到图像输入数据在潜在空间中由浅到深的多个第一特征，其中编码器和解码器均为三个。
15、本申请还提供一种基于深度自表示局部块学习的数据分类系统，包括：特征提取模块，用于获取图像输入数据，将所述图像输入数据依次通过多个编码器和对应的多个解码器，得到图像输入数据在潜在空间中由浅到深的多个第一特征；自表示模块，用于将多个所述第一特征输入自表示层学习多个所述第一特征之间的相似关系，得到每个第一特征的第一矩阵；共识表示学习模块，用于将各个第一矩阵进行堆叠，并利用卷积网络对各个第一矩阵进行共识表示学习，得到第二矩阵；自表示块加权模块，用于将第二矩阵分割为多个分块矩阵，根据分块矩阵中同类样本的分布情况生成分块矩阵的权值，每个分块矩阵通过对应的权值进行约束，约束后的分块矩阵重组成为新的第二矩阵，用于更新第二矩阵，并以总体损失函数最小为目标优化网络参数，再次更新第二矩阵，得到最终第二矩阵；数据分类模块，用于通过最终第二矩阵构造第三矩阵，对第三矩阵执行谱聚类算法，得到数据分类结果；
16、其中，所述自表示块加权模块，包括：矩阵分割模块，用于对第二矩阵进行不同尺寸的切割，得到多个分块矩阵；权值计算模块，用于对每个分块矩阵进行全平均池化和归一化处理，得到每个分块矩阵对应的权值；分块矩阵更新模块，用于将得到的权值与分块矩阵相乘，更新每个分块矩阵；矩阵更新模块，用于将更新后的每个分块矩阵重新组合更新第二矩阵，并通过总体损失函数优化网络参数，得到最终第二矩阵。
17、在一种可能的实施方式中，所述自表示模块中，多个所述第一特征以自表示层的损失函数最小为目标，学习多个所述第一特征之间的相似关系，自表示层的损失函数表述如下：
18、，
19、其中，表示自表示层的损失函数，表示强制约束项，表示任意正则化范数，表示f-范数，公式中的第一项是正则化项，表示第个第一特征的第一矩阵，表示第一特征的总数，公式中的第二项表示第一特征通过自表示层时产生的网络损失。
20、在一种可能的实施方式中，所述自表示块加权模块中的总体损失函数表述如下：
21、，
22、其中，表示总体损失函数，表示强制约束项，表示任意本文档来自技高网...
【技术保护点】
1.一种基于深度自表示局部块学习的数据分类方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度自表示局部块学习的数据分类方法，其特征在于，步骤S2中：多个所述第一特征以自表示层的损失函数最小为目标，学习多个所述第一特征之间的相似关系，自表示层的损失函数表述如下：
3.根据权利要求1所述的一种基于深度自表示局部块学习的数据分类方法，其特征在于，所述总体损失函数表述如下：
4.根据权利要求1所述的一种基于深度自表示局部块学习的数据分类方法，其特征在于，所述第三矩阵的函数表述如下：
5.根据权利要求1所述的一种基于深度自表示局部块学习的数据分类方法，其特征在于，S1、获取图像输入数据，将所述图像输入数据依次通过多个编码器和对应的多个解码器，得到图像输入数据在潜在空间中由浅到深的多个第一特征，其中编码器和解码器均为三个。
6.一种基于深度自表示局部块学习的数据分类系统，其特征在于，包括：
7.根据权利要求6所述的一种基于深度自表示局部块学习的数据分类系统，其特征在于，所述自表示模块中，多个所述第一特征以自表
8.根据权利要求6所述的一种基于深度自表示局部块学习的数据分类系统，其特征在于，所述自表示块加权模块中的总体损失函数表述如下：
9.根据权利要求6所述的一种基于深度自表示局部块学习的数据分类系统，其特征在于，所述数据分类模块中的第三矩阵的函数表述如下：
10.根据权利要求6所述的一种基于深度自表示局部块学习的数据分类系统，其特征在于，获取图像输入数据，将所述图像输入数据依次通过多个编码器和对应的多个解码器，得到图像输入数据在潜在空间中由浅到深的多个第一特征，其中编码器和解码器均为三个。
...【技术特征摘要】
1.一种基于深度自表示局部块学习的数据分类方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度自表示局部块学习的数据分类方法，其特征在于，步骤s2中：多个所述第一特征以自表示层的损失函数最小为目标，学习多个所述第一特征之间的相似关系，自表示层的损失函数表述如下：
3.根据权利要求1所述的一种基于深度自表示局部块学习的数据分类方法，其特征在于，所述总体损失函数表述如下：
4.根据权利要求1所述的一种基于深度自表示局部块学习的数据分类方法，其特征在于，所述第三矩阵的函数表述如下：
5.根据权利要求1所述的一种基于深度自表示局部块学习的数据分类方法，其特征在于，s1、获取图像输入数据，将所述图像输入数据依次通过多个编码器和对应的多个解码器，得到图像输入数据在潜在空间中由浅到深的多个第一特征，其中编码器和解码器均为三个。
6.一种基于...
【专利技术属性】
技术研发人员：张小乾，彭栎璠，王丽超，白克强，何有东，陈宇峰，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：
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。