[发明专利]一种基于乘积量化学习策略的缺陷检测算法

权利要求书

1.一种基于乘积量化学习策略的缺陷检测算法，其特征在于：包括，

S1：基于局部线性嵌入的图像降维算法对高维图像进行降维操作，得降维后数据，将该数据作为输入样本，并给每个输入样本对应赋予一个其所属类别的类别标签；

S2：根据输入样本的类别标签，基于最优反向预测算法来设定目标函数；

S3：特征空间最优分解，以得到半监督笛卡尔K均值模型；

S4：采用拉普拉斯正则化的最优反向预测算法构建半监督的量化模型；

S5：模型的优化以及基于图像的缺陷检测算法的实现。

2.如权利要求1所述的一种基于乘积量化学习策略的缺陷检测算法，其特征在于：所述最优反向预测算法的分类模型包含两项，分别为聚类中心矩阵与标签矩阵均未知的无监督聚类算法以及标签已知的监督学习约束项；

目标函数中的标签变量采用1-K编码方案，可以通过优化聚类中心矩阵和未知标签矩阵变量之间的最小平方损失函数来求解最优反向预测算法，构建的目标函数如下，

其中和分别是训练实例矩阵和标记矩阵，是未标记的数据矩阵，是未知的标签矩阵，η²是交易参数，Y^(L)和B使用1-K编码方案，P表示实例的维数，N_L和N_U分别是标记和未标记实例的数量，K是簇的数量。

3.如权利要求2所述的一种基于乘积量化学习策略的缺陷检测算法，其特征在于：所述特征空间的最优分解包括，

S31：采用乘积量化算法，使得每个子空间中的码字均通过采用K均值聚类生成，该聚类相对于b和C迭代地优化平方失真误差；

S32：笛卡尔K均值通过在公式(1.2)中的映射矩阵C的列上施加正交约束来获得ANN搜索任务的空间分解方法；

S33：聚类中心的正交约束保证聚类中心表示为C≡RD，其中R是旋转矩阵，R^TR＝RR^T＝I，将公式(1.2)重新表示为公式(1.3)，最小化(1.3)关于R，D和B，所获得的旋转矩阵R和聚类中心D再结合公式(1.3)以获得失真误差；

式中，m是子空间的编号；

S34：使用公式(1.1)在量化过程中代入公式(1.3)并给出半监督的笛卡尔K均值算法，给定标记数据集和未标记数据集其中P是实例的维数，K是量化中心的数量，N_L和N_U是标记和未标记数据实例的数量；

S35：基于输入空间分解策略，半监督笛卡尔K均值(SSCK)可以表示为

S36：利用希尔伯特-施密特不相关性准则对特征空间进行分解。

4.如权利要求3所述的一种基于乘积量化学习策略的缺陷检测算法，其特征在于：将拉普拉斯正则化项引入上述公式(1.4)，并得到以下公式：

其中，μ是平均值向量输入数据；Y^(L)和B都是量化标签且未知，L是权值矩阵，L＝W-D；

W是相似矩阵，D_ii＝∑_jW_i，j。

5.如权利要求4所述的一种基于乘积量化学习策略的缺陷检测算法，其特征在于：优化公式(1.5)，且仅保留与Y^(L)相关的项：

进一步计算得：

。

6.如权利要求4或5所述的一种基于乘积量化学习策略的缺陷检测算法，其特征在于：在获得量化Y^(L)的基础上，通过计算每个量化簇中所有标记数据X^(L)的平均值来获得簇中心D；基于预测的聚类中心D，能够通过采用KNN聚类算法获得未标记数据的标签矩阵B，如下：

。