[发明专利]投影变换矩阵的获取方法、样本分类方法

说明书

技术领域

本发明涉及人工智能领域，尤其涉及一种投影变换矩阵的获取方法、样本分类方法。

背景技术

在人工智能逐步发展的今天，经常需要计算机对待分类样本进行分类，即在训练样本及类别中确定待分类样本的类别，例如：根据多个已知人脸及与已知人脸一一对应的姓名，确定待分类人脸的姓名。

待分类样本和训练样本为真实世界物体的数据，一般采用矩阵的形式来表示，由于真实世界物体的纬度较高，针对高维数据进行分类时经常会出现维数灾难问题，所以一般将数据映射到低维空间，以便降低数据的处理难度，现有技术中通常采用投影变换矩阵对样本数据进行降纬处理。

为了能够准确的在训练样本中识别待分类样本的类别，我们希望训练样本中同类样本之间的距离更近，异类样本之间的距离更远，为了达到这一目的，我们希望训练样本进行降维处理的同时拉近同类样本之间的距离，扩大异类样本之间的距离，因此投影变换矩阵肩负着对数据进行降维处理、拉近同类样本之间距离和扩大异类样本之间的距离的三重任务。

为了获得投影变换矩阵，现有技术中通过如下实现方式实现：

在训练样本中随机选取一个样本A，计算样本A与其余各个样本的欧式距离，若样本B与样本A之间的欧式距离在预设范围内，则样本B与样本A为同类，若样本C与样本A之间的欧式距离超出预设范围，则样本C与样本A为异类，通过此方法构建样本A的类内集合和类间集合，类内集合为与样本A同类的样本集合，类间集合为与样本A异类的样本集合，根据类内集合和类间集合经过进一步的矩阵处理得到投影变换矩阵，得到投影变换矩阵能够拉近类内集合中样本的距离，扩大类间集合中样本的距离。

但是，使用欧式距离判断同类、异类的方式，容易出现分类错误的情况，即可能出现样本C与样本A之间的欧式距离小于样本B与样本A之间的欧式距离的情况，导致类内集合和类间集合的分类出现错误，进一步导致投影变换矩阵的失效，出现拉近异类之间的距离，扩大同类之间的距离的情况。因此本方法得到的投影变换矩阵是不正确的，不能很好的实现拉近同类之间距离，扩大异类之间距离的目的，进而导致分类性能变差。

发明内容

鉴于上述问题，本发明提供了一种投影变换矩阵的获取方法，本方法能够获得正确地投影变换矩阵，能够很好的实现拉近同类之间距离，扩大异类之间距离的目的，使分类性能变好。

为了实现上述目的，本发明提供以下技术手段：

一种投影变换矩阵的获取方法，包括：

依据训练样本集中各个训练样本的类别标签，提取与所述类别标签一一对应的类别信息；

依据所述类别信息确定各个训练样本的同类样本和异类样本；

根据所述各个训练样本的同类样本和异类样本构建相似性矩阵；

利用所述相似性矩阵分别构建类内邻接图和类间邻接图；

根据所述类内邻接图和所述类间邻接图进行计算获得投影变换矩阵。

优选的，根据所述各个训练样本的同类样本和异类样本构建相似性矩阵包括：

依据各个训练样本中同类样本之间的实际距离形成同类样本关系；

依据各个训练样本中异类样本之间的实际距离形成异类样本关系；

依据所述同类样本关系和所述异类样本关系构建相似性矩阵。

优选的，所述利用所述相似性矩阵分别构建类内邻接图和类间邻接图包括：

依据所述相似性矩阵的同类样本关系构建所述类内邻接图；

依据所述相似性矩阵的异类样本关系构建所述类间邻接图。

优选的，根据所述类内邻接图和所述类间邻接图进行计算获得投影变换矩阵包括：

根据所述类内邻接图和所述类间邻接图进行局部散度计算获得投影变换矩阵，或

根据所述类内邻接图和所述类间邻接图进行总体散度计算获得投影变换矩阵。

优选的，根据所述类内邻接图和所述类间邻接图进行局部散度计算获得投影变换矩阵包括：

获取所述类间邻接图与所述类内邻接图的比值；

将所述邻接图比值最大化后获得比值表达式；

对所述比值表达式进行特征值分解获取所述投影变换矩阵。

优选的，根据所述类内邻接图和所述类间邻接图进行局部散度计算获得投影变换矩阵包括：

获取所述类间邻接图与所述类内邻接图的邻接图差值；

将所述邻接图差值最大化后获得差值表达式；

对所述差值表达式进行特征值分解获取所述投影变换矩阵。

优选的，根据所述类内邻接图和所述类间邻接图进行总体散度计算获得投影变换矩阵包括：