【技术实现步骤摘要】
本专利技术属于机器学习与模式识别领域，具体地，涉及。
技术介绍
在机器学习领域，图模型的使用是十分广泛的。在半监督学习(Sem1-supervisedLearning)、谱聚类(Spectral Clustering)、尺度学习(Metric Learning)、流形学习(Manifold Learning)、马尔科夫随机场(Markov Random Fields)、条件随机场(Conditional Random Fields)等诸多领域，图模型都发挥了非常重要的作用。图模型可以非常清楚地表示样本点之间的联系，具有直观、快速、高效的特点，因而受到越来越多人的重视。在机器学习与模式识别领域，建立一个准确、有效的图模型，对工业应用具有非常重大的意义，比如:(I)可以提高手写体数字的识别率，从而为邮件自动分拣系统的邮政编码识别提供帮助；(2)可以应用于人脸识别领域，为人脸打卡考评或是犯罪嫌疑人查找提供支持；(3)可以应用于疾病诊断的专家系统中，从而为疾病的自动智能诊断提供辅助；可以应用于生物信息学领域，提高蛋白质种类的识别及标注准确率。等等。一个完整的图模型通常包含节点和边两个要素，它可以用G=〈V，E>来加以表示，其中G代表整张图(Graph), V代表节点集(Vertex set), E代表连接这些节点的边所构成的集合(Edge set)。附图说明图1给出了典型的图模型表示。机器学习与模式识别的基本任务是在函数空间『找到函数/€<F，建立样本特征向量X = (W-A)eRd到标签y的映射，即。假定有η个样本点构成的数据集X=I(X11Y1)...
【技术保护点】
一种融合了点对和邻域信息的建图方法，其特征在于，包括如下步骤：第一步，获取n个样本构成的数据集X，得到经降维处理后的特征向量x1,x2,…,xn，它们在图G中用节点表示；第二步，基于欧式距离找到数据集X中所有样本元素的K近邻；第三步，建立融合样本点的邻域和点对的信息的优化模型；假设对于一个样本xi，其K个近邻xi1，xi2，…,xiK,相应的权重向量ωi=(ωi1,ωi2,…,ωiK)，xi的两个近邻xij,xik，1≤i≤n,k≤K，则优化模型如下：minωi=(ωi1,ωi2,···,ωiK)ϵi=||xi-Σj=1Kωijxij||2+γΣj=1K-1Σk=j+1K(ωij||xi-xij||-ωik||xi-xik||)2令与xi相连的所有边权和为1，且这些权值都是非负的，则：Σj=1Kωij=1,ωij≥0其中：γ...
【技术特征摘要】
1.一种融合了点对和邻域信息的建图方法，其特征在于，包括如下步骤: 第一步，获取n个样本构成的数据集X，得到经降维处理后的特征向量Xl，X2,…，xn，它们在图G中用节点表示； 第二步，基于欧式距离找到数据集X中所有样本元素的K近邻； 第三步，建立融合样本点的邻域和点对的信息的优化模型； 假设对于一个样本Xi,其K个近邻xi1, xi2, .., xiK,相应的权重向量ωi=(ωi1,ωi2，…，ω iK)，Xi的两个近邻Xij，xik, 1≤i≤n，k≤K，则优化模型如下:2.根据权利要求1所述的融合了点对和邻域信息的建图方法，其特征在于所述优化模型中，调节其中的γ参数，这个参数代表了建模过程中对邻域信息或点对信息的相对重视程度，其调节根据用户的实际需求和应用背景而定，如果用...
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。