[發明專利]一種半監督自適應圖正則化判別非負矩陣分解方法

在審

• 申請號: 201910549625.6
• 申請日: 2019-06-24
• 公開（公告）號: CN110276049A
• 公開（公告）日: 2019-09-24
• 發明（設計）人: 劉中華;宋斌;王琳;張琳;王京京
• 申請（專利權）人: 河南科技大學
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06K9/62
• 代理公司: 洛陽公信知識產權事務所(普通合伙) 41120
• 代理人: 宋晨煒

一種半監督自適應圖正則化判別非負矩陣分解方法，包括如下步驟：S1、獲取樣本數據矩陣，樣本數據矩陣中每列元素代表一個樣本，每個樣本中包括若干個數據點；S2、根據數據點之間的相似度構建相似矩陣，并且對相似矩陣進行約束，得到第一約束條件；S3、為樣本設定標簽，并且根據數據點的標簽構建標簽矩陣，得到第二約束條件；S4、將第一約束條件和第二約束條件代入到傳統非負矩陣分解目標函數中，得到新目標函數；S5、對新目標函數進行迭代更新得到系數矩陣；S6、對系數矩陣進行聚類。本發明提供一種半監督自適應圖正則化判別非負矩陣分解方法,能夠很好地利用局部結構信息和標簽信息來獲得更好的數據表示。

技術領域

本發明涉及數據表示技術領域，具體的說是一種半監督自適應圖正則化判別非負矩陣分解方法。

背景技術

數據表示在圖像處理中起著重要的作用。合適的數據表示有助于很好地揭示數據的潛在信息結構，便于后續處理。近年來，矩陣分解技術作為一種流行的數據表示技術受到越來越多的關注。矩陣分解技術是尋找兩個或多個低維矩陣，這些矩陣的乘積足以近似原始數據矩陣。目前常用的矩陣分解技術有矢量量化(VQ)、奇異值分解(SVD)、主成分分析和非負矩陣分解(NMF)。與VQ和SVD不同的是，NMF分解得到的兩個矩陣都是非負的。

NMF在矩陣分解中加入了非負約束。也就是說，矩陣分解后的所有元素都大于等于零。由于非負性只允許原始數據的加法組合，而不允許減法組合，因此它們導致了基于部分的NMF表示。這一屬性符合以人腦各部分表征為基礎的生理和心理要素。作為一種理想的算法，NMF在圖像聚類、人臉識別、模式識別、文本聚類等方面中具有優勢。近年來，一些研究人員通過在NMF中加入額外的約束條件，提出了一些新的算法。Babaee和Tsoukalas利用標簽信息和非負系數矩陣構造正則化約束，提出了判別NMF(DNMF)。Li等人通過在分解后的基矩陣中加入稀疏約束，提出了局部非負矩陣分解(local non-negative matrixfactorization,LNMF)。Liuetal.利用標簽信息提出了約束NMF(CNMF)，將具有相同標簽的數據點投影到新的低維空間中的相同表示中。近年來，一些研究表明，更多的數據信息可能來自嵌入高維空間的低維流形結構。為了找到潛在的流形結構，提出了許多流形學習算法，如局部線性嵌入(LLE)，等距映射(ISOMAP)，拉普拉斯特征映射(LE)。這些算法都利用了局部不變性，并且已經證明這些算法的學習性能顯著提高。結合局部幾何結構，Cai等人提出的圖正則化非負矩陣分解(GNMF)。在GNMF算法中，數據結構由最近鄰圖編碼得到。

傳統的流形學習方法大多是通過鄰居圖來保存局部流形結構信息，這有兩個缺點。首先,存在一個參數k或ε圖學習方法的性能在很大程度上依賴于參數值。其次，圖的構造和后續的操作是完全分離的。

發明內容

為了解決現有技術中的不足，本發明提供一種半監督自適應圖正則化判別非負矩陣分解方法,能夠很好地利用局部結構信息和標簽信息來獲得更好的數據表示。

為了實現上述目的，本發明采用的具體方案為：一種半監督自適應圖正則化判別非負矩陣分解方法，包括如下步驟：

S1、獲取樣本數據矩陣，樣本數據矩陣中每列元素代表一個樣本，每個樣本中包括若干個數據點；

S2、根據數據點之間的相似度構建相似矩陣，并且對相似矩陣進行約束，得到第一約束條件；

S3、為樣本設定標簽，并且根據數據點的標簽構建標簽矩陣，得到第二約束條件；

S4、將第一約束條件和第二約束條件代入到傳統非負矩陣分解目標函數中，得到新目標函數；

S5、對新目標函數進行迭代更新得到系數矩陣；

S6、對系數矩陣進行聚類。