[發(fā)明專利]一種基于多模態(tài)數(shù)據(jù)的路由度量的生成方法

有效

• 申請?zhí)枺?/td>: 201710307115.9
• 申請日: 2017-05-04
• 公開（公告）號: CN107038252B
• 公開（公告）日: 2020-11-06
• 發(fā)明（設計）人: 趙亮;趙偉莨;李照奎;拱長青;林娜;李席廣;吳昊
• 申請（專利權）人: 沈陽航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06Q10/04
• 代理公司: 沈陽維特專利商標事務所(普通合伙) 21229
• 代理人: 甄玉荃

1.一種基于多模態(tài)數(shù)據(jù)的路由度量的生成方法，其特征在于：包含如下步驟，

步驟一：收集多模態(tài)數(shù)據(jù)樣本，此處的數(shù)據(jù)樣本中包含少量有標簽數(shù)據(jù)及其他大量無標簽數(shù)據(jù)；

步驟二：基于半監(jiān)督多模態(tài)學習架構對步驟一中無標簽數(shù)據(jù)進行打標簽，得到新的有標簽數(shù)據(jù)與新的無標簽數(shù)據(jù)；

步驟三：使用半監(jiān)督多模態(tài)學習架構，對步驟二中所得到的無標簽數(shù)據(jù)與有標簽數(shù)據(jù)進行協(xié)同訓練，構造路由量；

在步驟三中，對所述的無標簽數(shù)據(jù)與有標簽數(shù)據(jù)學習協(xié)同訓練過程中，協(xié)同訓練過程分為步驟A與步驟B兩個迭代過程：

步驟A，正向訓練過程，所述的正向訓練過程包括，首先使用PCA算法對有標簽數(shù)據(jù)的各個模態(tài)數(shù)據(jù)進行降維處理，其次用SVM算法對降維后的各模態(tài)數(shù)據(jù)進行分類建模，形成各模態(tài)數(shù)據(jù)的臨時分類器，即環(huán)境分類器、司機分類器、車輛分類器、交通數(shù)據(jù)分類器；

步驟B，標簽升級過程，使用凸聚類算法，收斂到全局最小值，找到最優(yōu)聚類的類別數(shù)，從無標簽數(shù)據(jù)集中提取數(shù)據(jù)樣本與有標簽數(shù)據(jù)進行特征聚類，特征信心高的無標簽數(shù)據(jù)樣本將被貼上新特征標簽Z,獲得相應特征屬類，聚類后得到的新特征屬類同原有特征屬類，組成新特征的有標簽數(shù)據(jù)集完后將此新特征的有標簽數(shù)據(jù)集L_t進行步驟A的正向訓練；若從無標簽數(shù)據(jù)集U中選不出信心高的數(shù)據(jù)樣本，則步驟A與步驟B的迭代結束，對新特征的有標簽數(shù)據(jù)集進行最終的分別訓練，獲得最終的環(huán)境分類器、司機分類器、車輛分類器、交通數(shù)據(jù)分類器，用所述最終的環(huán)境分類器、司機分類器、車輛分類器、交通數(shù)據(jù)分類器構建融合分類器，將所述最終的環(huán)境分類器、司機分類器、車輛分類器、交通數(shù)據(jù)分類器各分類器的預測準確率作為投票的權重使用在融合分類器處，融合分類器即是最終構造的路由度量，其公式如下所示：

即f＝A∑e_jE_j+B∑d_kD_k+C∑v_pV_p+H∑t_qT_q

其中，f為路由度量，E_j、D_k、V_p、T_q分別是環(huán)境、司機、車輛、交通四方面的一個特征，而e_j、d_k、v_p、t_q分別是這四個特征在本模態(tài)中的權重值，這些權重值通過最終訓練各模態(tài)的最終分類器的準確率時得以確立，即∑e_jE_j、∑d_kD_k、∑v_pV_p、∑t_qT_q分別為四個模態(tài)的最終分類器，A、B、C、H這四個權重值是通過最終構成融合分類器時所使用預測準確度，得到的各模態(tài)分類器所占權重，準確率越高權重越大。

2.如權利要求1所述的一種基于多模態(tài)數(shù)據(jù)的路由度量的生成方法，其特征在于：所述的多模態(tài)包括環(huán)境、司機、交通數(shù)據(jù)、車輛。