[发明专利]基于原子拉普拉斯图正则化的半监督字典学习的样本类别归类方法在审
| 申请号： | 201810233401.X | 申请日： | 2018-03-21 |
| 公开（公告）号： | CN108564107A | 公开（公告）日： | 2018-09-21 |
| 发明（设计）人： | 王迪;刘倩倩;张笑钦;古楠楠;叶修梓 | 申请（专利权）人： | 温州大学苍南研究院 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 温州名创知识产权代理有限公司 33258 | 代理人： | 陈加利 |
| 地址： | 325000 浙江省温州市苍南县*** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了基于原子拉普拉斯图正则化的半监督字典学习的样本类别归类方法，该方法包括：S1：根据训练样本构建基于原子拉普拉斯图正则化的半监督字典学习模型；S2：采用块坐标下降算法对所述的半监督字典学习模型中的各类变量进行优化，直到收敛；S3：根据所求解的字典原子标签以及无标签样本的稀疏编码，线性重构出测试样本的标签向量，并选取标签向量中元素最大的那个维度作为其所属的类别。本发明将字典原子看作重构训练样本集的锚点数据来构建字典原子之间的相似度矩阵，因此能够获得对异常样本更加鲁棒的图结构信息，这样迫使无标签样本能够更加有效地参与到字典学习过程中，使得学习的字典具有更好的稀疏表示能力和分类判别能力。 | ||
| 搜索关键词： | 字典学习 半监督 字典原子 正则化 无标签样本 标签向量 样本类别 构建 归类 相似度矩阵 训练样本集 测试样本 稀疏编码 稀疏表示 下降算法 线性重构 训练样本 点数据 图结构 有效地 鲁棒 求解 维度 重构 收敛 样本 字典 标签 分类 优化 学习 | ||
【主权项】：
1.一种基于原子拉普拉斯图正则化的半监督字典学习的样本类别归类方法，其特征在于，所述方法包括：S1：根据训练样本构建基于原子拉普拉斯图正则化的半监督字典学习模型；S2：采用块坐标下降算法对所述的半监督字典学习模型中的各类变量进行优化，直到收敛；S3：根据所求解的字典原子标签以及无标签样本的稀疏编码，线性重构出测试样本的标签向量，并选取标签向量中元素最大的那个维度作为其所属的类别。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于温州大学苍南研究院，未经温州大学苍南研究院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810233401.X/，转载请声明来源钻瓜专利网。
