[发明专利]一种基于联合稀疏表示和多视图字典学习的学习方法

权利要求书

1.一种基于联合稀疏表示和多视图字典学习的学习方法，其特征在于，包括以下步骤：

S1.选定ε图形和l₁图形，基于稀疏ε图形去构造若干个包X_i的图形；

S2.通过l₁图形计算稀疏系数向量使稀疏ε图形中的顶点x_i,j和它的边缘到另外1个顶点满足以下函数：

以及以下函数：

S3.对于步骤S1中的包X_i，通过稀疏ε-图形并设置k种参数，产生k个视图，用于表达X_i的内在上下文结构；

S4.构建映射函数并将步骤S2产生的k个视图映射到高纬度的空间，得到新的映射函数

S5.选定总字典作为多视图字典，总字典包括若干个子字典，子字典作为包X_i的学习字典，利用核函数对字典学习进行优化；

S6.选定标签和含有k个图形的测试包，通过多视图学习得到权重矩阵，对测试包进行分类，并将标签分配至相应的测试包的分类中。

2.根据权利要求1所述的基于联合稀疏表示和多视图字典学习的学习方法，其特征在于，所述步骤S2中计算稀疏系数向量α的具体过程如下：

采用以下函数：

其中，||x_i,j-Uα||²是线性的重建误差，第二项是利用正则化系数λ控制稀疏性α；顶点x_i,j到其它示例的边缘由稀疏性α决定；

基于欧氏距离定义权重矩阵Q，其函数如下：

其中，是欧氏距离的单调递减函数；通过引入权重矩阵Q，得到利用欧氏距离的函数优化上面的公式，得到以下函数：

3.根据权利要求1所述的基于联合稀疏表示和多视图字典学习的学习方法，其特征在于，在所述步骤S3中，对包X_i设置参数的的方式为{＜λ₁,ε₁＞,＜λ₂,ε₂＞,…＜λ_K,ε_K＞}并产生k个不同的视图Γ_i＝{G_i,1,G_i,2,…G_i,k}。