[發明專利]一種基于自適應權重學習的補子空間表示非均衡分類方法

在審

• 申請號: 202211335234.2
• 申請日: 2022-10-28
• 公開（公告）號: CN115511003A
• 公開（公告）日: 2022-12-23
• 發明（設計）人: 李艷婷;王帥;劉巖;金軍委;陶紅偉;朱付保
• 申請（專利權）人: 鄭州輕工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/16
• 代理公司: 北京睿智保誠專利代理事務所(普通合伙) 11732
• 代理人: 王卓

1.一種基于自適應權重學習的補子空間表示非均衡分類方法，其特征在于，包括以下步驟：

S1、對總類別數為N的非均衡數據集進行預處理，獲得訓練樣本集H以及測試樣本集；

S2、基于密度獲取訓練樣本集H中每個訓練樣本的權重；

S3、根據每個訓練樣本的權重，基于補子空間計算得到非均衡分類模型；

S4、對非均衡分類模型求解得到最優表示系數；

S5、根據最優表示系數的重構誤差對測試樣本集中測試樣本的標簽進行分類。

2.根據權利要求1所述的一種基于自適應權重學習的補子空間表示非均衡分類方法，其特征在于，S1具體為：

S11、通過交叉驗證法將總類別數為N的非均衡數據集隨機分為z份，選擇其中e份作為原始訓練集，f份作為原始測試集，e+f＝z；

S12、將e份原始訓練集和f份原始測試集隨機交叉驗證g次，得到g組原始訓練樣本集和g組原始測試樣本集；

S13、將g組原始測試樣本集和g組原始訓練樣本集轉化為列向量，進行歸一化處理，得到測試樣本集和訓練樣本集。

3.根據權利要求2所述的一種基于自適應權重學習的補子空間表示非均衡分類方法，其特征在于，S2具體為：

S21、獲取每一類訓練樣本的個數M_ik,M_ik為第i個樣本所屬類別k中的樣本總數，每個訓練樣本的初步權重為

S22、獲取訓練樣本d_i在第n類訓練樣本集中前m個近鄰樣本的距離和d_i在剩余訓練樣本集中前q個近鄰樣本的距離

S23、計算訓練樣本d_i在第n類訓練樣本集和剩余訓練樣本集中的密度：

S24、根據類內密度和類間密度計算混合密度：

其中θ為調節類內類間距離權重的平衡參數；

S25、將每個訓練樣本的權重密度進行歸一化：

與訓練樣本所屬類別的樣本總數相結合，d_i的權重為訓練樣本的權重矩陣為：

4.根據權利要求3所述的一種基于自適應權重學習的補子空間表示非均衡分類方法，其特征在于，補子空間計算具體為：

E-E_n為E_n的補子空間，式中E＝span{H}表示由訓練樣本集H生成的全空間，E_n＝span{H_n}表示由第n類訓練樣本集生成的子空間，

第n類訓練樣本集生成的子空間與第m類訓練樣集本生成的子空間的和為：

E_m+E_n＝span{p+q:p∈E_m,q∈E_n}；

E_m+E_n＝span{H_m∪H_n}；

E＝E₁+E₂+...+E_N；

E-E_n＝span{H_-n}；

式中，H_-n表示訓練樣本集H中剔除第n類訓練樣本集后剩余的訓練樣本集。

5.根據權利要求4所述的一種基于自適應權重學習的補子空間表示非均衡分類方法，其特征在于，非均衡分類模型為：

式中，x表示大小為d*1的測試樣本，d表示測試樣本的維度，D代表大小為d*M的訓練樣本矩陣，M為訓練樣本集H中所有樣本的總個數，W是大小為M*M的對角矩陣，W中對角線上的每個元素對應每一個訓練樣本的權重，W_-n為剔除第n類訓練樣本集的權重后的對角矩陣，δ和β為正則化參數，c為D的表示系數，c^*為最優表示系數，c_-n為D_-n的表示系數。