[发明专利]一种基于混合稀疏的样本和特征选择方法、装置

权利要求书

1.一种基于混合稀疏的样本和特征选择方法，其特征在于，包括：

S1：通过深度学习、传统机器学习、医学工具包提取每个医学图像的特征，提取出的医学图像特征组成样本特征矩阵其中，n表示特征样本数量，d表示特征维度；

S2：采用混合稀疏嵌入学习方法将样本特征矩阵中的原始高维度特征数据映射到低维流形空间中，其中，目标函数为：

s.t.sⁱ1＝1,0≤s_ij≤1,W^TW＝E,γ＝sum(S,2)

γ_i∈{0,1},||γ_Z(+1)||₀＝k₁,||γ_Z(-1)||₀＝k₂ (5-1)

上式中，xⁱ和x^j分别表示样本特征矩阵X中的第i个和第j个样本，表示投影维度为m的特征权重系数矩阵，表示样本相似性矩阵，s_ij表示第i个样本和第j个样本的相似性值，μ是正则化参数，表示将原始高维度特征数据映射到低维流形空间时，同时利用l_2，p范数进行特征权重自适应稀疏控制，λ₁是一个超参数；约束项中，sⁱ是S的第i行相似性向量，sⁱ1＝1用以保证每一个样本与其他样本的相似性之和等于1，其中1是由n个1组成的列向量，0≤s_ij≤1保证两个样本之间的相似性在0和1区间内；W^TW＝E用以保证得到的列向量解为单位正交向量，sum(S,2)表示对样本相似性矩阵S在行的方向上求和，γ_i为样本选择向量中对应第i个样本的元素，如果选择第i个样本xⁱ，则γ_i等于1，否则γ_i为0；||γ_Z(+1)||₀＝k₁和||γ_z(-1)||₀＝k₂表示利用范数来约束γ，从而选择指定数量的正负样本，k₁和k₂分别表示正样本的数量和负样本的数量，Z(+1)＝[i：y_i＝+1}和Z(-1)＝{i：y_i＝-1}分别表示正负样本索引集；

S3：对目标函数进行优化，得到最优的特征权重矩阵W′和最优的样本选择向量γ′，

S4：根据最优特征权重矩阵W′选择出对应的特征，根据最优的样本选择向量γ′的取值选择出对应的样本；

S5：利用选择出的样本和特征数据对分类模型或者预测模型进行训练，得到训练好的分类模型或者预测模型，待分类或待预测的医学影像数据根据得到的最优的特征权重矩阵来选择特征，然后输入至训练好的分类模型或者预测模型，得到分类结果或者预测结果。