1.一种基于结构稀疏多核学习的多模态数据特征筛选和分类方法,其特征在于,将数据特征的选择和数据模态融合在统一的结构稀疏化多核分类模型中进行建模,并进行结构稀疏化特征选择和基于最优核表示的分类器学习,其具体步骤如下:收集用于训练模型的多模态数据及相应类标签,所述多模态数据为图像数据;从所述多模态数据中提取数据特征,并对特征进行归一化;利用独立的核表示函数为数据的每一维特征构建一个核矩阵;根据数据特征将所有特征和其对应的核函数进行分组;
利用带有类标签的训练数据训练结构稀疏化多核分类模型,并优化模型参数;
使用训练好的结构稀疏化多核分类模型对新的数据进行分类;
所述根据数据特征将所有特征和其对应的核函数进行分组为:根据数据的模态,将所有特征和其对应的核表示函数进行分组,形成多个数据特征组;
所述结构稀疏化多核分类模型中包括用于对核函数的权重进行约束和稀疏化选择的结构化正则约束项;
所述结构稀疏化多核分类模型表示如下:
其中,N表示训练样本个数,xi表示第i个样本,f(xi)表示第i个样本的线性分类函数,yi表示xi的类标签,类标签取值为1或者-1,w=(w1,w2,…,wm)表示高维空间中线性分类函数的权重向量,θ=(θ1,θ2,…,θm)表示特征映射的权重向量, 表示所有特征的序号,L表示组的个数, 表示第l个序号组,max(·,·)表示求最大值,||·||2表示向量的2范数,p表示结构化稀疏约束的参数,选择范围为[1,+∞),C为正的权重参数,m表示第m维特征,i为大于
1的整数。
2.根据权利要求1所述的基于结构稀疏多核学习的多模态数据特征筛选和分类方法,其特征在于:所述利用独立的核表示函数为数据的每个特征构建一个核矩阵中,所述的核表示函数包括线性核函数、高斯核函数或多项式核函数。
3.根据权利要求2所述的基于结构稀疏多核学习的多模态数据特征筛选和分类方法,其特征在于:每个线性核函数包括用于表示特征重要性和相关性程度的待学习的权重参数。
4.根据权利要求1所述的基于结构稀疏多核学习的多模态数据特征筛选和分类方法,其特征在于,所述线性分类函数表示如下:其中,M为总的特征维度,xm表示样本x的第m个分量,即第m维特征,Φm(·)表示特征映射,Φm(xm)将xm映射到高维空间,w=(w1,w2,…,wm)表示高维空间中线性分类函数的权重向量,b表示高维空间中线性分类函数的偏移量,M表示总的特征维度,θ=(θ1,θ2,…,θm)表示特征映射的权重向量。
5.根据权利要求4所述的基于结构稀疏多核学习的多模态数据特征筛选和分类方法,其特征在于:所述结构化稀疏约束的参数p固定选择为1.5或2;或者采取交叉验证方法在范围[1,+∞)内参数p进行选择。
6.根据权利要求5所述的基于结构稀疏多核学习的多模态数据特征筛选和分类方法,其特征在于,所述结构稀疏化多核分类模型的求解采取变量交替求解的方法,包括交替进行如下步骤1和步骤2:步骤1,固定θ采用标准SVM优化算法求解w和b;
步骤2,固定w和b,求解θ;
迭代的终止条件包括迭代直至结构稀疏化多核分类模型函数的变化小于预设阈值。
7.根据权利要求6所述的基于结构稀疏多核学习的多模态数据特征筛选和分类方法,其特征在于,固定w和b,对于任意的m,按照如下公式求解变量θm:其中L表示组的个数, 表示第l个序号组 表示m所在的序号组,p表示结构化稀疏约束的参数,w=(w1,w2,…,wm)表示高维空间中线性分类函数的权重向量。