[發明專利]一種基于魯棒子空間表示的局部自適應特征選擇方法及裝置

在審

• 申請號: 202110646766.7
• 申請日: 2021-06-10
• 公開（公告）號: CN113378926A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 李驁;王穎;牛宇童
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于魯棒子空間表示的局部自適應特征選擇方法，其特征在于，所述方法包括步驟：

將一個圖像數據集劃分為訓練集和測試集；

定義判別特征選擇模型的目標函數；

引入低秩重構樣本的魯棒性子空間約束項，對所述目標函數重新擬定，得到第一目標函數；

引入稀疏正則化約束項，對第一目標函數重新擬定，得到第二目標函數；

引入輔助變量，對所述第二目標函數重新擬定，得到第三目標函數；

通過所述訓練集，求解出當所述第三目標函數數值最小時各個變量的值；

將所述第三目標函數求解，得到一個特征投影；

通過所述特征投影對所述測試集投影，以得到所述數據集里所有類別圖像的判別性較高的特征，并通過分類器得到所述數據集的識別率。

2.根據權利要求1所述的基于魯棒子空間表示的局部自適應特征選擇方法，其特征在于，所述目標函數表達式為：

s.t.W^TW＝I,Z_ij≥0

其中，X＝[X₁,X₂,...,X_m]表示訓練樣本，X_i(i＝1,2,...,m)表示X的第i列，m表示訓練樣本的總數，Z表示矩陣，W表示學習得到的特征投影矩陣，Z表示系數表示矩陣，Z_ij為矩陣Z中的第i行第j列的值。

3.根據權利要求1所述的基于魯棒子空間表示的局部自適應特征選擇方法，其特征在于，所述第一目標函數表達式為：

s.t.W^TW＝I,Z_ij≥0

其中，||·||_F為張量的Frobinus范數。

4.根據權利要求1所述的基于魯棒子空間表示的局部自適應特征選擇方法，其特征在于，所述第二目標函數表達式為：

s.t.W^TW＝I,Z_ij≥0

其中，||·||_2,1為l_2,1范數。

5.根據權利要求1所述的基于魯棒子空間表示的局部自適應特征選擇方法，其特征在于，所述第三目標函數表達式為：

s.t.W^TW＝I,M_ij≥0,Z＝M。

6.根據權利要求1所述的基于魯棒子空間表示的局部自適應特征選擇方法，其特征在于，所述利用數據集求解出目標函數最小值時各個變量的值的步驟包括：

通過增廣拉格朗日乘子法，確定目標函數問題中的拉格朗日函數；

將拉格朗日函數進行化簡和最小化轉換；

利用交替方向乘子算法，在其他變量不變的條件下針對每個變量迭代地求解最小化；固定其他變量，刪除與Z無關的函數項，得到變量Z的目標函數式，利用目標函數的導數進行求解；

固定其他變量，刪除與M無關的函數項，得到變量M的目標函數式，通過加權范數最小化求解；

固定其他變量，刪除與W無關的函數項，得到變量W的目標函數式，通過西爾維斯方程進行求解；

逐項更新拉格朗日乘子和參數。

7.根據權利要求1-6所述的自適應特征選擇方法，其特征在于，所述分類結果包括步驟：

計算所述數據集分類精確度。

8.一種基于魯棒子空間表示的局部自適應特征選擇裝置，其特征在于，所述裝置包括：

存儲單元，用于存儲圖像數據集，數據集中的樣本均為無標簽樣本；

數據重建單元，用于對含有噪聲的數據進行重建，去除噪聲對數據真實分布結構的影響，獲得一個干凈的數據副本；

特征投影單元，將獲取的干凈的數據副本放入特征投影模型中，從而獲取到類間距離大，類內距離小的特征投影；

嵌入框架單元，用于將所述數據重建模型和所述特征投影模型放入統一框架中，獲得一種基于魯棒子空間表示的局部自適應特征選擇方法，二者之間相互促進，互相彌補噪聲對數據結構的破壞，獲得一個更魯棒的特征選擇；

定義單元，用于定義關于魯棒特征子空間學習模型的聯合目標函數，將所述基于數據重建的特征投影模型放入所述的聯合目標函數中，以通過求解所述目標函數后得到一個更魯棒的特征投影；

分類單元，用于將所述特征投影對測試集投影，并將測試集的特征投影送到分類器中，從而得到分類精確度。