[发明专利]一种诱导式非负投影半监督数据分类方法及系统

摘要

本发明方法明确地将半监督数据表示和分类误差结合到现有的投影非负矩阵分解框架进行联合最小化学习，由此将权重系数构造和标签传播过程作用于投影非负矩阵分解，可有效避免原始数据中可能包含的噪音、破坏或异类对相似性度量和标签预测结果的负面影响。此外，上述联合最小化过程也可在投影非负矩阵分解过程中有效保持邻域信息和空间结构，得到更准确的数据表示结果。此外，还将权重构建和归纳学习整合到一个统一的模型中，可得到自适应的权重系数矩阵，进而避免传统算法中选取最优近邻难的问题。本发明方法为诱导式模型，可完成样本外数据的归纳与预测，无需引入额外的重构过程，可拓展性能好。

主权项

一种诱导式非负投影半监督数据分类方法，其特征在于，包括如下步骤：(1)、随机的将原始数据集划分为训练集和测试集，然后对所述训练集和测试集进行初始化，获得初始类别标签矩阵；(2)、利用投影非负矩阵分解技术对原始数据进行重新表示，计算得到一个投影非负矩阵分解结果Q,基于新表示的数据建立联合统一的标签传播框架,进行自适应权重构造和标签传播，同时最小化数据重构项和标签重构项，通过迭代得到训练集的非负矩阵Q以及投影分类器P；(3)、利用学习得到非负矩阵Q以及投影分类器P，对测试集中的无标签样本数据进行投影，得到类别标签向量，根据标签向量中的最大值确定测试样本对应的标签类别，得到分类结果。