[发明专利]一种半监督多视角数据集在线学习模型及其设计方法

权利要求书

1.一种半监督多视角数据集在线学习模型，其特征在于，包括依次相连的多视角数据收集模块、缺失样本信息修复模块、有效样本信息增强模块及在线学习模型修正模块；

所述多视角数据收集模块用于对收集的多视角数据集进行区域定位和标记处理，并进行存储；

所述缺失样本信息修复模块用于针对多视角数据集的每个视角所对应的样本矩阵，计算样本矩阵所对应的低秩假设矩阵并建立该视角所对应的子分类器；将低秩假设矩阵分解为样本矩阵的潜在表示形式和系数矩阵并更新子分类器；进而得到用于反映修复信息数量的量表达式和用于反映修复信息的分类性能的质表达式；基于量表达式和质表达式构建量质平衡模型，进而建立优化函数并对该函数进行求解，得到各个视角的潜在表示形式和系数矩阵的优化结果，通过两者相乘得到信息修复后的多视角数据集；

所述有效样本信息增强模块用于针对修复后的多视角数据集，采用多视角聚类算法以获得视角和特征的权重；计算任一选择的一个有标签样本和一个无标签样本之间的相似度；根据计算出的相似度和一个选择标准，选择合适的相似度所对应的有标签样本和无标签样本，并生成合适的Universum样本，从而增强有效的样本信息；

所述在线学习模型修正模块用于对某一时间段中信息获得修复和增强后的样本，将其在所有视角下的特征根据前后时间段的对比，并划分为下一时间段被保留的特征、下一时间段被丢弃的特征和当前时间段新增的特征三部分；针对所划分的三部分特征建立实时优化函数，并进行求解和优化权向量；对下一时间段的保留特征做融合处理，从而得到相应的融合形式。

2.如权利要求1所述的半监督多视角数据集在线学习模型，其特征在于，所述多视角数据收集模块包括：

图像自动定位和标记子模块，用于对收集的多视角数据集进行区域定位和标记处理；

数据库存储子模块，与所述图像自动定位和标记子模块相连，用于存储处理后的多视角数据集。

3.如权利要求1所述的半监督多视角数据集在线学习模型，其特征在于，所述缺失样本信息修复模块包括：

量计算子模块，用于根据多视角数据集所对应的低秩假设矩阵的表达式，计算得到用于反映修复信息数量的量表达式；

质计算子模块，用于根据多视角数据集的每个视角下的特征所建立的视角的子分类器，计算得到用于反映修复信息的分类性能的质表达式；

信息修复子模块，用于对基于量表达式和质表达式构建的量质平衡模型建立优化函数并对该函数进行求解，得到各个视角的潜在表示形式和系数矩阵的优化结果，通过两者相乘得到信息修复后的多视角数据集。

4.如权利要求1所述的半监督多视角数据集在线学习模型，其特征在于，所述有效样本信息增强模块包括：

多视角聚类算法子模块，用于针对修复后的多视角数据集，采用多视角聚类算法以获得视角和特征的权重；

样本相似度计算子模块，与所述多视角聚类算法子模块相连，用于计算任一选择的一个有标签样本和一个无标签样本之间的相似度；

Universum样本生成及选择子模块，与所述样本相似度计算子模块相连，用于根据计算出的相似度和一个选择标准，选择合适的相似度所对应的有标签样本和无标签样本，并生成合适的Universum样本，从而增强有效的样本信息。

5.如权利要求1所述的半监督多视角数据集在线学习模型，其特征在于，所述在线学习模型修正模块包括：

时间段特征分割子模块，用于对某一时间段中信息获得修复和增强后的样本，将其在所有视角下的特征根据前后时间段的对比，并划分为下一时间段被保留的特征、下一时间段被丢弃的特征和当前时间段新增的特征三部分；

权向量计算子模块，用于针对所划分的三部分特征建立实时优化函数，并进行求解和优化权向量；

融合形式计算子模块，用于对下一时间段的保留特征做融合处理，从而得到相应的融合形式。

6.如权利要求1所述的半监督多视角数据集在线学习模型，其特征在于，所述在线学习模型是由Python语言实现的模型。

7.一种半监督多视角数据集在线学习模型的设计方法，其特征在于，包括以下步骤：

步骤1：对收集的多视角数据集进行区域定位和标记处理，并进行存储；

步骤2：针对多视角数据集的每个视角所对应的样本矩阵，计算样本矩阵所对应的低秩假设矩阵并建立该视角所对应的子分类器；将低秩假设矩阵分解为样本矩阵的潜在表示形式和系数矩阵并更新子分类器；进而得到用于反映修复信息数量的量表达式和用于反映修复信息的分类性能的质表达式；基于量表达式和质表达式构建量质平衡模型，进而建立优化函数并对该函数进行求解，得到各个视角的潜在表示形式和系数矩阵的优化结果，通过两者相乘得到信息修复后的多视角数据集；

步骤3：针对修复后的多视角数据集，采用多视角聚类算法以获得视角和特征的权重；计算任一选择的一个有标签样本和一个无标签样本之间的相似度；根据计算出的相似度和一个选择标准，选择合适的相似度所对应的有标签样本和无标签样本，并生成合适的Universum样本，从而增强有效的样本信息；

步骤4：对某一时间段中信息获得修复和增强后的样本，将其在所有视角下的特征根据前后时间段的对比，并划分为下一时间段被保留的特征、下一时间段被丢弃的特征和当前时间段新增的特征三部分；针对所划分的三部分特征建立实时优化函数，并进行求解和优化权向量；对下一时间段的保留特征做融合处理，从而得到相应的融合形式。