[發(fā)明專利]基于層次化耦合關系的離散數據表征學習方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110483315.6
• 申請日: 2021-04-30
• 公開（公告）號: CN113158577A
• 公開（公告）日: 2021-07-23
• 發(fā)明（設計）人: 蹇松雷;黃辰林;譚郁松;李寶;董攀;丁滟;任怡;王曉川;張建鋒;譚霜
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F17/16;G06K9/62;G06N20/00;G06F111/08
• 代理公司: 湖南兆弘專利事務所(普通合伙) 43008
• 代理人: 譚武藝

1.一種基于層次化耦合關系的離散數據表征學習方法，其特征在于，包括：

1)對輸入的離散數據集合X，分別通過預設的頻率影響力耦合關系函數計算基于出現(xiàn)頻率的特征值影響力矩陣M_o，通過預設的共現(xiàn)影響力耦合關系函數計算基于共現(xiàn)概率的特征值影響力矩陣M_c；

2)針對基于出現(xiàn)頻率的特征值影響力矩陣M_o、基于共現(xiàn)概率的特征值影響力矩陣M_c進行聚類特征類學習得到特征值類的類別隸屬關系矩陣C；

3)將特征值類的類別隸屬關系矩陣C輸入預先完成訓練的自動編碼器進行降維，得到降維后的大小為|V|×r的特征值表征矩陣V，其中|V|表示特征值表征矩陣V的大小，r表示特征值表征矩陣V的行數，×表示矩陣乘法；

4)將特征值表征矩陣V中取出每個特征值的連續(xù)表征拼接得到離散數據集合X對應的大小為N×(r_*D)的連續(xù)化數據表征R，其中N表示離散數據集合X包含的數據對象數量，_*表示乘法，D表示離散數據集合X包含的離散特征數量。

2.根據權利要求1所述的基于層次化耦合關系的離散數據表征學習方法，其特征在于，步驟1)中頻率影響力耦合關系函數的函數表達式為：

上式中，表示特征值v_j來自于特征值v_i的頻率影響力，ω(f_i,f_j)表示特征值v_j和特征值v_i之間的互信息，f_i表示特征值v_i對應的特征，f_j表示特征值v_j對應的特征，p(v_i)表示特征值v_i的出現(xiàn)概率，p(v_j)表示特征值v_j的出現(xiàn)概率。

3.根據權利要求2所述的基于層次化耦合關系的離散數據表征學習方法，其特征在于，步驟1)中計算基于出現(xiàn)頻率的特征值影響力矩陣M_o的函數表達式為：

上式中，表示特征值v₁來自于特征值v₁的頻率影響力，表示特征值v_L來自于特征值v₁的頻率影響力，表示特征值v₁來自于特征值v_L的頻率影響力，分別表示表示特征值v_L來自于特征值v_L的頻率影響力，L為離散數據集合X中包含的特征值數量。

4.根據權利要求1所述的基于層次化耦合關系的離散數據表征學習方法，其特征在于，步驟1)中共現(xiàn)影響力耦合關系函數的函數表達式為：

上式中，表示特征值v_j來自于特征值v_i的共現(xiàn)影響力，p(v_i,v_j)表示特征值v_j和特征值v_i的共現(xiàn)概率，p(v_i)表示特征值v_i的出現(xiàn)概率。

5.根據權利要求4所述的基于層次化耦合關系的離散數據表征學習方法，其特征在于，步驟1)中計算基于共現(xiàn)概率的特征值影響力矩陣M_c的函數表達式為：

上式中，表示特征值v₁來自于特征值v₁的共現(xiàn)影響力，表示特征值v_L來自于特征值v₁的共現(xiàn)影響力，表示特征值v₁來自于特征值v_L的共現(xiàn)影響力，分別表示表示特征值v_L來自于特征值v_L的共現(xiàn)影響力，L為離散數據集合X中包含的特征值數量。