[发明专利]多层感知机构建缺失值填补与分类并行的多任务学习方法

权利要求书

1.层感知多机构建缺失值填补与分类并行的多任务学习方法，其特征在于，包括以下步骤：

S1、令{(x_i,t_i)|x_i∈R^s；t_i∈R^c,i＝1,2,…,n}表示带类标签的不完整数据集；

S2、在不完整数据集的拟合任务中，输出层第j中，1≤j≤m个神经元用于拟合符号为a_j的不完整属性，神经元在计算输出y_ij时，需剔除输入所包含的并根据其他输入值展开求解；

令其中r_1j种除第a_j置0外其余均设定成1，同时r₂＝[1]_c*1；用于标记中每个元素是否参与计算；

S3、在分类任务中，用z_ij表示输出层j+m个神经元的输出值，在实际运行中需要剔除输入中的类标签t_i，并利用泰勒级数对x_i展开，同时函数变量变种为r_M＝[r₁^T,r₂^T],r₁＝[1],r₂＝[0]，用于标记输入中每个元素是否参与运算；

S4、模型训练时，在完整样本的基础上进行，开始参与填补计算时，分两种情况：第一种，当不完整样本的类标签已知时，第二种，当不完整样本的类标签未知时。

2.根据权利要求1所述的多层感知机构建缺失值填补与分类并行的多任务学习方法，其特征在于：在S1操作步骤中，其中：

s—属性个数；

c—类的数量；

n—样本数量；

x_i＝[x_i1,x_i2,…x_is]^T是数据集中第i个样本；

t_i＝[t_i1,t_i2,…t_ic]^T是样本x_i的类标签。

3.根据权利要求1所述的多层感知机构建缺失值填补与分类并行的多任务学习方法，其特征在于：在S2操作步骤中，针对第j(1≤j≤m)个输出层神经元，第k个隐藏层神经元的输出式为：

其中：

φ(·)表示隐藏层激活函数；

表示输入层神经元与隐藏层神经元的连接权重；

表示隐藏层神经元的阈值；

通过上式计算，不完整数据属性拟合时的网络输出为：

其中：

θ(·)表示输出层激活函数；

表示隐藏层神经元与输出层神经元的连接权重；

表示输出层神经元的阈值。

4.根据权利要求1所述的多层感知机构建缺失值填补与分类并行的多任务学习方法，其特征在于：在S3操作步骤中，针对j+m个输出神经元，隐藏层中第k个神经元的输出值如下计算：

网络输出z_ij的计算方式为：

其中m_ij的计算公式如下：

网络训练时，多任务学习模型的代价函数为：

E＝λE_M+(1-λ)E_s；

其中，λ表示两个任务在训练时的权重分配，E_M表示分类误差，E_S表示不完整属性的拟合误差，具体表达式为：

N_CO表示数据集中完整样本的序号集合。

5.根据权利要求1所述的多层感知机构建缺失值填补与分类并行的多任务学习方法，其特征在于：在S4操作步骤中，具体步骤如下：

S401、对不完整样本x_i进行预填补；

S402、设不完整样本x_i属于第j类，对应的类标签为中除了j个元素为1外，其余全为0；

S403、将预填补后的x_i和输入模型，计算网络输出y_i和z_i；

S404、根据输出z_i计算样本x_i属于j类的概率p_j＝z_ij；

S405、设置j←j+1，并返回S402步骤；

S406、计算最大概率值该概率值对应的类别就是网络最终预测的样本类别；

S407、将所求的的类别和预填补后的样本输入网络，同时将与缺失值对应的网络输出作为填补值。