[發明專利]直接使用樣本特征原始數值的廣義相關學習矢量量化方法

有效

• 申請號: 201410013367.7
• 申請日: 2014-01-13
• 公開（公告）號: CN103903016B
• 公開（公告）日: 2017-11-21
• 發明（設計）人: 方暉;嚴瑩;張興敢;柏業超
• 申請（專利權）人: 南京大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 南京瑞弘專利商標事務所(普通合伙)32249
• 代理人: 陳建和

1.一種直接使用樣本特征原始數值的廣義相關學習矢量量化方法，其特征在于：該方法使用訓練樣本集X＝{(xⁱ,yⁱ)∈Rⁿ×{1,2,...,C}|i＝1,2,...,m}訓練一組權向量神經元W＝{(w^k,c^k)∈Rⁿ×{1,2,...,C}|k＝1,2,...,M}，以使這組權向量神經元對輸入樣本進行模式識別；其中C表示模式識別任務中的類別數，m表示訓練樣本數，M表示權向量神經元數，Rⁿ表示n維向量空間，n表示訓練樣本集特征的數目；

該方法在訓練過程中采用最小化下式的目標函數：

S=Σi=1mf(μ(xi))---(1)]]>

其中，μ(xⁱ)表征訓練過程中對xⁱ分類的正確性，是第i個訓練樣本xⁱ和其最近的同類權向量w^J之間的加權歐氏距離，是xⁱ和其最近的異類權向量w^K之間的加權歐氏距離；

該方法采用迭代方式調整權向量神經元以使公式(1)目標函數S最小化，在迭代過程中，從訓練樣本集X＝{(xⁱ,yⁱ)∈Rⁿ×{1,2,...,C}|i＝1,2,...,m}中隨機選擇訓練樣本xⁱ進行學習，對訓練樣本xⁱ：

wJnew:=wJ+ΔwJ,ΔwJ=4γ+f′|μ(xi)dλK(dλJ+dλK)2Λ(xi-wJ)---(2)]]>

wKnew:=wK+ΔwK,ΔwK=-4γ-f′|μ(xi)dλJ(dλJ+dλK)2Λ(xi-wK)---(3)]]>

λj,new:=λj+Δλj,Δλj=-2γλf′|μ(xi)[dλK(xji-xjJ)2-dλJ(xji-xjK)2](dλJ+dλK)2Aj(j=1,2,...,n)---(4)]]>

其中，γ⁺、γ^-和γ^λ分別為訓練樣本xⁱ最近的同類權向量w^J、異類權向量w^K和權重系數λ_j的學習率，w^J_new表示調整后的同類權向量w^J，Δw^J表示w^J的變化值，表示f(μ(xⁱ))對μ(xⁱ)的微分，Λ表示一個對角矩陣，Λ的對角元素Λ_jj＝λ_j(j＝1,2,...,n)，Λ的其余元素值為0，w^K_new表示調整后的異類權向量w^K，Δw^K表示w^K的變化值，λ_j,new表示調整后的λ_j，Δλ_j表示λ_j的變化值，A_j表征訓練樣本集中樣本第j個特征的變化范圍，并與訓練樣本集中樣本第j個特征的變化范圍大小成反比；

是第i個訓練樣本xⁱ和其最近的同類權向量w^J之間的加權歐氏距離，是xⁱ和其最近的異類權向量w^K之間的加權歐氏距離。