[发明专利]基于聚类及全局/局部距离综合的多重度量学习方法

权利要求书

1.一种基于聚类及全局/局部距离综合的多重度量学习方法，其特征在于，所述的多重度量学习方法包括以下步骤：

对训练样本进行K-Means聚类并构建三元组集合；

将样本x和任一样本y的距离由全局距离度量和局部距离度量综合表示；

同时学习K+1个距离度量，包括1个全局距离度量和K个局部距离度量；

对输入的测试样本，计算样本所属聚类标记，再在该聚类的训练样本集中利用最近邻方法计算测试样本的分类结果。

2.根据权利要求1所述的基于聚类及全局/局部距离综合的多重度量学习方法，其特征在于，所述的构建三元组集合的具体步骤如下：

假设x_i∈R^d表示训练样本集中第i个样本，(x_i,x_j,x_l)表示一个三元组约束，其中x_i和x_j属于同一类别，x_i和x_l属于不同类别，T表示三元组集合，对于每个样本，在没有先验知识的前提下，通过选择与该样本同类并且最近的k1个样本分别和与该样本不同类的最近的k2个样本构成三元组，并且根据x_i所属的聚类标记，将T分为K个簇{T₁,...,T_K}用于训练K个局部距离度量。

3.根据权利要求1所述的基于聚类及全局/局部距离综合的多重度量学习方法，其特征在于，所述的将样本x和任一样本y的距离由全局距离度量和局部距离度量综合表示，包括：

假设样本x所属的聚类标记为c，M_c为该聚类对应的局部距离度量，M₀为全局距离度量，令样本x和任一样本y的距离为：

其中0≤μ≤1是权重超参数，当μ＝0时表示两个样本的距离只由局部距离度量M_c决定，当μ＝1时表示两个样本的距离只由全局距离度量M₀决定，0＜μ＜1表示两个样本的距离由全局距离度量和局部距离度量决定。

4.根据权利要求1所述的基于聚类及全局/局部距离综合的多重度量学习方法，其特征在于，所述的学习K+1个距离度量，包括1个全局距离度量和K个局部距离度量中，学习模型为：

M₀,...,M_K≥0

其中，M₀表示全局距离度量，M_c,c∈[1,K]表示聚类c下的局部距离度量，所学习的K+1个矩阵均为半正定矩阵，表示三元组(x_i,x_j,x_l)中x_i与x_l的距离和x_i与x_j距离之差，其中，Z_ijl＝(x_i-x_l)(x_i-x_l)^T-(x_i-x_j)(x_i-x_j)^T，ξ_ijl是对应的松弛变量，α＞0和β＞0为超参数，相对较大的α使M₀趋近于0矩阵，此时学习到的局部距离度量彼此独立，相对较大的β使学习到的各个局部距离度量之间与M₀有较大的相似性，此时各个局部距离度量之间有较大的相关性，N_c表示聚类c下的三元组数量。