【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。