[發(fā)明專利]基于貝葉斯算法對(duì)圖像語義數(shù)據(jù)的概率潛在參數(shù)估計(jì)模型

在審

• 申請(qǐng)?zhí)枺?/td>: 201610142356.8
• 申請(qǐng)日: 2016-03-14
• 公開（公告）號(hào): CN105760365A
• 公開（公告）日: 2016-07-13
• 發(fā)明（設(shè)計(jì)）人: 文珊;曹良坤;肖湘云;余潔
• 申請(qǐng)（專利權(quán)）人: 云南大學(xué)
• 主分類號(hào): G06F17/27
• 分類號(hào): G06F17/27;G06F17/30;G06K9/62;G06K9/72
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明涉及的是關(guān)于貝葉斯概率估計(jì)算法。

背景技術(shù)

概率論是邏輯嚴(yán)謹(jǐn)推理性強(qiáng)的一門數(shù)學(xué)分科，貝葉斯公式是概率論中較為重要的公式，貝葉斯所采用的許多術(shù)語被沿用至今。機(jī)器學(xué)習(xí)的主要難點(diǎn)在于“被闡述”的詞法和“真正要表達(dá)”的語義的區(qū)別。產(chǎn)生這個(gè)問題的原因主要是：1.一個(gè)單詞能有多個(gè)意思和多個(gè)用法。2.同義詞和近義詞，而且根據(jù)不同的語境或其他因素，不同的單詞也有可能表示相同的意思。

利用貝葉斯概率估計(jì)原理來計(jì)算機(jī)器學(xué)習(xí)的主要難點(diǎn)是很方便的，也是目前最優(yōu)秀的方法。

圖像的內(nèi)容特征檢索，到目前為止是一種很成熟的檢索系統(tǒng)，但他的檢索效果是不盡人意的。主要問題就是機(jī)器學(xué)習(xí)所產(chǎn)生的問題，本發(fā)明就是利用貝葉斯概率估計(jì)算法來解決機(jī)器學(xué)習(xí)的問題。

發(fā)明內(nèi)容

本發(fā)明通過貝葉斯概率潛在語義分析對(duì)無監(jiān)督學(xué)習(xí)圖像的語義特征進(jìn)行語義數(shù)據(jù)的挖掘，建立一個(gè)概率潛在語義算法的模型。主要解決了圖像檢索中的主要問題1、語義鴻溝；2、一義多詞和一詞多義所產(chǎn)生的檢索數(shù)據(jù)不到位和重復(fù)檢索。

設(shè)一幅圖像對(duì)應(yīng)一篇文檔，設(shè)圖像語義特征對(duì)應(yīng)文檔的關(guān)鍵單詞，建立一個(gè)文檔-關(guān)鍵單詞語義向量共現(xiàn)矩陣。根據(jù)貝葉斯概率估計(jì)原理，條件概率的計(jì)算方法，應(yīng)用概率潛在主題詞來計(jì)算文檔的最大相似度。

本發(fā)明的技術(shù)方案為基于機(jī)器學(xué)習(xí)的貝葉斯估計(jì)算法建立概率潛在語義模型，包括以下步驟：

步驟1，通過概率潛在語義分析方法（PLSA）對(duì)無監(jiān)督圖像語義知識(shí)庫數(shù)據(jù)進(jìn)行挖掘，建立文檔（圖像）---潛在語義---詞（圖像語義特征）之間的概率語義關(guān)系，就是每一組（D，W）都與潛在語義Z有關(guān)聯(lián)；

步驟2，用貝葉斯概率估計(jì)算法計(jì)算出潛在語義主體詞最大似然估計(jì)和期望最大化；

步驟3，建立概率潛在語義模型。

而且，步驟1中，無監(jiān)督學(xué)習(xí)是一種基于圖像語義知識(shí)庫，它的生成是由計(jì)算機(jī)用高斯混合模型（GaussianMixtureModel,GMM）的圖像語義標(biāo)注方法自動(dòng)生成的；

而且，步驟2中，在貝葉斯估計(jì)計(jì)算時(shí)，先驗(yàn)概率分布符合BETA分布，根據(jù)先驗(yàn)概率、似然函數(shù)計(jì)算出后驗(yàn)概率；

而且，步驟2中，潛在函數(shù)Z用最大似然估計(jì)來訓(xùn)練，最大似然估計(jì)中比較常用的算法就是期望最大化算法。期望最大化算法分為兩步：

1.ExpectationStep——隱含參數(shù)的估計(jì)

2.MaximizationStep——確定實(shí)際參數(shù)，然后根據(jù)實(shí)際參數(shù)做最大似然估計(jì)。

附圖說明

附圖1潛在主題詞圖。

附圖2不對(duì)稱概率潛在語義模型。

附圖3對(duì)稱概率潛在語義模型。

附圖4為本發(fā)明實(shí)施原理圖。

具體實(shí)施方式

以下結(jié)合附圖和實(shí)施例詳細(xì)說明本發(fā)明技術(shù)方案。

本發(fā)明提出基于貝葉斯概率算法對(duì)無監(jiān)督圖像語義數(shù)據(jù)的概率潛在語義的參數(shù)估計(jì)模型，假設(shè)圖像語義知識(shí)庫已經(jīng)由計(jì)算機(jī)用高斯混合模型（GaussianMixtureModel,GMM）的圖像語義標(biāo)注方法自動(dòng)生成的，標(biāo)注語義之間互相獨(dú)立，沒用前后順序。為了更為詳細(xì)的闡述本發(fā)明的具體實(shí)施方案，下面基于附圖進(jìn)行進(jìn)一步的敘述，實(shí)施流程如下。

步驟１，設(shè)一幅圖像對(duì)應(yīng)一篇文檔空間，圖像的特征映射到文檔的關(guān)鍵詞空間。使用bag-of-word模型來表示一個(gè)文檔，即一個(gè)由單詞組成的向量。單詞獨(dú)立于文本語義，忽略了單詞在文檔中的順序，只表現(xiàn)單詞在文檔中出現(xiàn)的頻率，一個(gè)單詞表示空間的一個(gè)維度，從而得到文檔—單詞共現(xiàn)矩陣，這個(gè)矩陣的每一項(xiàng)代表了第i個(gè)單詞在第j篇文檔中的權(quán)重。共現(xiàn)矩陣已經(jīng)通過詞頻-逆文檔頻率（TF—IDF）降維。