[發明專利]基于同時融合多視角特征及多標簽信息的支持向量機分類方法

有效

• 申請號: 201210452040.0
• 申請日: 2012-11-12
• 公開（公告）號: CN102982344A
• 公開（公告）日: 2013-03-20
• 發明（設計）人: 方正;張仲非
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/30
• 代理公司: 杭州宇信知識產權代理事務所(普通合伙) 33231
• 代理人: 張宇娟;施海寅

1.一種基于同時融合多視角特征及多標簽信息的支持向量機分類方法，其特征在于，包括以下步驟S10至S30：

S10，輸入多視角特征訓練數據以及每個數據所對應的多標簽信息，建立同時融合多視角特征及多標簽信息的支持向量機MVMLSVM分類器的數學模型，設定各個項的對應權重因子的值，其具體包括S101至S103，

S101，輸入給定的多視角特征數據以及每個數據的多標簽信息，i∈{1，2，…，n}，v∈{1，2，…，V}，l∈{1，2，…，L}，其中L是標簽的種數，d_v是第v個視角特征的維度，表示數據在第l種標簽上的類屬關系，值為+1表示數據屬于第l種標簽，-1表示不屬于，采用矩陣形式來表達數據和數據所附有的標簽信息，分別用X^v，v∈{1，2，…，V}和來表示，其中，的每一列屬于L維的標簽空間即而的每一行的轉置后的列向量表示各個數據在第l種標簽上的類屬關系，用Y^l表示，

S102，在對標簽集合中的每一個標簽訓練一個相應的二分類分類器時，把具有選中的這個標簽的數據作為正例樣本，沒有此標簽的樣本都作為負例樣本，對于標簽集中的第l種標簽，要訓練得到它對應的多視角多標簽信息融合的分類器，方法如下：首先將原始數據的多視角特征通過一致性統籌函數進行特征融合，并且引入訓練數據的多標簽信息作為正則項因子進行調節優化，其中是學習得到的數據在V個視角特征上的一致性表達，d_g是每個數據新的維度，是V個視角特征各自變換到G的投影映射，然后將針對第l種標簽學習得到的數據一致性表達形式G作為相應支持向量機的輸入，訓練分類器，整個過程通過以下整合的目標函數優化求解得到各個參數：

minG,{Pv},βγΣv=1V||G-PvXv||2+λΣi=1nΣj=1nβiβjk(gi,gj)]]>

-η1(n-1)2Σv=1Vtr(H(PvXv)T(PvXv)HYTY)]]>

+Σi=1nL(yi,Σj=1nk(gj,gi)βj)]]>

S103，設定對應項的權重因子，γ，λ，η根據實際應用情況設定，預設50，100，50作為默認值；

S20，訓練和學習分類器的各個參數，運用循環迭代算法更新目標優化式的各個參數變量，直到兩次迭代的整體目標函數值之差的絕對值小于預設的閾值時停止，并且采用更新計算某個參數時，固定其他參數值的策略，其中，在一次循環迭代里，又分為以下三個步驟：

S201，更新計算每個視角特征對應的投影映射P^v(v＝1，2，…，V)的每一列；

pkv=uk-PvnkNkk+pkvk=1,2,···,dv]]>

其中，N_kk是矩陣的第k行第k列個元素，其中n_k是N的第k列，u_k是矩陣U＝G(X^v)^T的第k列，

S202，計算支持向量機分類器的分類系數β；

β＝(λI_n+I⁰K)^-1I⁰Y^l

其中I0=Isv000,]]>

S203，更新計算各個視角特征映射變換后的數據一致性表達形式G的每一列；

gkt+1=gkt-D(gkt)-1▿gktk=1,2,···,n]]>

其中是對角矩陣，定義如下：

Dad(gkt)=δad((2(γV+λβk2)+2((qk-yk)2+βk2)[k∈nsv])gkt]]>

+2(Gβ)(Gβ)Tgkt[k∈nsv]+2βk2GsvGsvTgkt)a/(gkt)a]]>

qi=kiTβ=Σj=1ngjTgiβj,]]>GsvGsvT=Σi=1nsvgigiT]]>

定義為：

▿gkt=γΣv=1V(2gk-2Pvxkv)+λΣj=1n2βkβjgj]]>

+2((Σj=1n(qk-yk)βjgj)[k∈nsv]+βkΣi=1nsv(qi-yi)gi)]]>

整個迭代過程直到兩次迭代的整體目標函數值之差的絕對值小于10^-5或最大迭代次數超過100停止，最后得到的每個多視角特征的投影映射矩陣P^v(v＝1，2，…，V)，數據的一致性表達形式G，以及支持向量機的分類系數β就是訓練階段所要得到的基于同時融合多視角特征多標簽信息支持向量機分類器MVMLSVM的參數；

S30，用訓練得到的分類器，對實際數據進行多標簽分類或預測，具體包括如下步驟S301至S302，

S301，將待分類的數據的每一視角的特征通過對應的投影映射矩陣變換得到新的數據表達得到每個視角變換后的結果后，通過將新的數據空間里的每個視角變換后的結果整合起來得到統一的表達形式G_test，

S302，用訓練階段學習得到的參數G計算K_test＝G^TG_test，以及用訓練階段得到的支持向量機的分類系數β計算根據所得結果的正負性，判斷待分類數據是否屬于分類器對應的標簽類，正的值，表示需要判斷的待分類數據屬于分類器所對應的標簽類；負的值，表示需要判斷的待分類數據不屬于分類器所對應的標簽類。