[發明專利]一種基于主成分分析改進生成對抗網絡的半監督分類方法

在審

• 申請號: 201910012548.0
• 申請日: 2019-01-07
• 公開（公告）號: CN109740677A
• 公開（公告）日: 2019-05-10
• 發明（設計）人: 王春枝;吳盼;嚴靈毓;王毅超;蔡文成;周方禹
• 申請（專利權）人: 湖北工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 楊采良

1.一種基于主成分分析改進生成對抗網絡的半監督分類方法，其特征在于，所述基于主成分分析改進生成對抗網絡的半監督分類方法包括：

步驟一：初始化各項參數，設置迭代次數n，樣本數據為x，噪聲為z，每次輸入的圖片數量bach_size，噪聲的維度z_dim；

步驟二：獲取一個bach_size數量的圖片，使用主成分分析法PCA將每張圖片壓縮至z_dim維，作為生成器的輸入z；

步驟三：將z輸入生成對抗網絡的生成器，用于訓練生成器，生成圖片G(z)；

步驟四：將生成圖片G(z)和真實圖片x作為判別器D的輸入，用于訓練判別器，判別器判斷圖片屬于哪一類；

步驟五：根據判別器的結果通過反向傳播，以最小化損失函數L為目標，調整生成器和判別器的參數；

步驟六：重復步驟一至步驟五，直到達到指定的迭代次數。

2.如權利要求1所述基于主成分分析改進生成對抗網絡的半監督分類方法及系統，其特征在于，步驟二中，主成分分析法壓縮圖片至z_dim維的方法包括：

(1)去除平均值；

(2)計算協方差矩陣；

(3)計算協方差矩陣的特征值和特征向量；

(4)將特征值排序；

(5)保留前z_dim個最大的特征值對應的特征向量；

(6)將數據轉換到上面得到的z_dim個特征向量構建的新空間中(實現了特征壓縮)。

3.如權利要求1所述基于主成分分析改進生成對抗網絡的半監督分類方法及系統，其特征在于，步驟三中，所述生成器包括：

損失函數為：

4.如權利要求1所述基于主成分分析改進生成對抗網絡的半監督分類方法及系統，其特征在于，步驟四中，判別器的損失函數為：

L＝L_supervised+L_unsupervised，

其中，

L_supervised表示的是用帶標簽圖訓練時的損失函數，即監督學習的損失，L_unsupervised代表使用無標簽圖訓練的損失函數，無監督學習的損失；

對于無監督學習，令

D(x)＝1-p_model(y＝K+1|x)

其中p_model表示判別是假圖像的概率，那么D(x)就代表了輸出是真圖像的概率，無監督學習的損失函數表示為

5.一種實施權利要求1所述基于主成分分析改進生成對抗網絡的半監督分類方法的基于主成分分析改進生成對抗網絡的半監督分類系統。

6.一種實施權利要求1所述基于主成分分析改進生成對抗網絡的半監督分類方法的改進生成對抗網絡半監督分類平臺。