[发明专利]基于流形学习的数据嵌入方法

权利要求书

1.一种基于流形学习的数据嵌入方法，其特征在于，包括以下步骤，

S1，设计语义网络，所述语义网络用于将数据从输入空间映射到语义空间；

S2，设计嵌入网络，所述嵌入网络用于将数据从语义空间映射到嵌入空间；

S3，数据增广，对数据[x₁,x₂,…,x_N]进行u次数据增广获得增广后的数据V＝{[v_1,1,v_1,2,…,v_1,N],…,[v_u,1,v_u,2,…,v_u,N]}；[v_1,1,v_1,2,…,v_1,N]为1次数据增广后的结果；

S4，从V中取任意B组数据，B为网络训练的batch数量，设定为256，每一组数据为两个增广后的数据v_b,i,v_b,j，将数据通过语义网络映射到语义空间，得到数据z_b,i,z_b,j，b为组的索引；

S5，将数据z_i,z_j通过嵌入网络映射到嵌入空间中，得到数据e_b,i,e_b,j；

S6，计算在语义空间中两个点z_b,i,z_b,j的距离

S7，进行距离的语义缩放，判断两个点z_b,i,z_b,j对应的两个点v_b,i,v_b,j是否是来自同一个原始数据，如果来自于同一个原始数据，则计算语义距离，拉近z_b,i,z_b,j的语义距离其中M为拉近系数，否则正常通过旅行距离计算语义距离；

S8，使用核函数一将语义距离转化为语义相似度

S9，计算在嵌入空间中两个点e_b,i,e_b,j的距离

S10，使用核函数二将距离转化为语义相似度

S11，使用损失函数L_b度量第b组数据的两个相似度的差异，然后将b组数据的损失函数求和得到总的损失函数：

S12，使用反向传播方法，求L关于语义网络、嵌入网络的参数的偏导数，然后根据偏导数以神经网络训练方式调整语义网络、嵌入网络的参数，至语义网络、嵌入网络收敛，得到嵌入空间的嵌入。

2.根据权利要求1所述的基于流形学习的数据嵌入方法，其特征在于，步骤S1中，所述语义网络选用MLP、CNN、RNN其中的一种。

3.根据权利要求1所述的基于流形学习的数据嵌入方法，其特征在于，步骤S2中，所述嵌入网络选用MLP、CNN、RNN其中的一种。

4.根据权利要求1所述的基于流形学习的数据嵌入方法，其特征在于，步骤S3中，所述数据增广基于列表数据的mixup增广方式、RC(·)、CJ(·)、GB(·)其中的一种或者多种。

5.根据权利要求1所述的基于流形学习的数据嵌入方法，其特征在于，步骤S6中，距离的计算选用D_e(a,b)、D_c(a,b)、D_m(a,b)其中的一种。

6.根据权利要求1所述的基于流形学习的数据嵌入方法，其特征在于，步骤S7中，语义缩放的方法为其中M为超参数，取值M＝10。

7.根据权利要求1所述的基于流形学习的数据嵌入方法，其特征在于，步骤S8中，所述核函数一选用S_g(·)、S_t(·)、S_γ(·)其中的一种。