[發明專利]一種半配對多視圖鄰域相關分析方法

在審

• 申請號: 202110235176.5
• 申請日: 2021-03-03
• 公開（公告）號: CN112949718A
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 袁運浩;武照奇;李云;強繼朋;朱毅;朱俊武
• 申請（專利權）人: 揚州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 南京蘇科專利代理有限責任公司 32102
• 代理人: 董旭東;陳棟智

本發明公開了一種半配對多視圖鄰域相關分析方法，包括1）利用k鄰域和徑向基函數計算視圖內樣本的相似度矩陣；2）利用視圖間樣本共享的配對樣本和視圖內樣本的相似度矩陣，計算不同視圖間樣本的相似度矩陣；3）構建半配對多視圖鄰域相關分析的最優化模型，并利用拉格朗日乘子法將其轉化成廣義特征值問題；4）求解廣義特征值問題；5）使用每個視圖的投影矩陣，分別對訓練樣本和測試樣本進行降維，獲取其低維表示；6）使用k近鄰分類器對降維后的測試數據進行識別，并計算識別率。本發明不僅能夠揭示配對多視圖樣本間的相關性，而且還能有效地利用大量未配對樣本所蘊含的信息，因此可以有效緩解因配對樣本數量有限所導致的過擬合現象。

技術領域

本發明涉及模式識別領域，特別涉及一種半配對多視圖鄰域相關分析方法。

背景技術

典型相關分析(Canonical Correlation Analysis,CCA)是多視圖學習中具有代表性的一種線性降維方法，其目標是尋找一對投影方向，使得兩組隨機變量在其上的投影具有最大的相關性。而多集典型相關分析(Multiset CCA,MCCA)則是CCA在多組變量情形下的一種拓展，其目標是尋找一組投影方向，使得多組變量在其上的投影具有最大的廣義相關性。

局部保持投影(Locality Preserving Projection,LPP)方法是一種單視圖線性降維方法，通過構建各樣本間的鄰域關系，實現對高維數據降維的同時保持空間中各樣本的局部鄰域結構，即在低維空間中最小化近鄰樣本間的距離加權平方和。

本質上，CCA和MCCA均是一種基于對齊數據的多視圖學習方法，即給定的訓練樣本必須是成對的出現。但現實中的多視圖數據，配對樣本往往較少，而未配對樣本大量存在，這種數據被稱為半配對多視圖數據。面對半配對情形，傳統降維方法CCA和MCCA僅能利用少量的配對數據，并不能直接有效地處理未配對數據，最終導致所抽取出的特征判別力不強，從而使得模式分類效果不佳。

發明內容

本發明的目的是克服現有技術缺點，提供一種半配對多視圖鄰域相關分析(Multiview Neighborbood Correlation Analysis,MNeCA)方法，該方法不僅可以利用少量配對數據，而且還可以通過視圖間樣本的鄰域關系充分利用大量未配對數據，從而緩解因配對樣本過少而帶來的過擬合現象。

本發明的目的是這樣實現的：一種半配對多視圖鄰域相關分析方法，包括以下步驟：

一種半配對多視圖鄰域相關分析方法，其特征在于，包括以下步驟：

步驟1)給定半配對多視圖訓練數據其中p、u、n以及m分別表示配對樣本數、未配對樣本數、總樣本數以及視圖數，n＝p+u，d_i表示第i個視圖中訓練樣本的維數，利用k鄰域和徑向基函數計算視圖內樣本的相似度矩陣包括如下步驟：

步驟1-1)在第i個視圖中，對于樣本采用k鄰域法找到其k個最近鄰樣本，并將k個最近鄰樣本形成的集合記為

步驟1-2)對于樣本利用徑向基函數計算其與中樣本的相似度，如下：

其中||·||表示向量的2范數，利用公式(1)形成視圖內樣本的相似度矩陣

步驟2)利用視圖間樣本共享的配對樣本和視圖內樣本的相似度矩陣，計算不同視圖間樣本的相似度矩陣S^ij(i≠j)，i,j＝1,2,…,m，包括如下步驟：

步驟2-1)在第i個視圖和第j個視圖中隨機選取N對配對樣本，設定為其中N≤p；

步驟2-2)計算不同視圖間樣本和樣本的相似度，如下：