欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022113242770
申请人: 湖北工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于混合稀疏的样本和特征选择方法,其特征在于,包括:S1:通过深度学习、传统机器学习、医学工具包提取每个医学图像的特征,提取出的医学图像特征组成样本特征矩阵 其中,n表示特征样本数量,d表示特征维度;

S2:采用混合稀疏嵌入学习方法将样本特征矩阵中的原始高维度特征数据映射到低维流形空间中,其中,目标函数为:i T

s.t.s1=1,0≤sij≤1,WW=E,γ=sum(S,2)γi∈{0,1},||γZ(+1)||0=k1,||γZ(‑1)||0=k2       (5‑1)i j

上式中,x和x分别表示样本特征矩阵X中的第i个和第j个样本, 表示投影维度为m的特征权重系数矩阵, 表示样本相似性矩阵,sij表示第i个样本和第j个样本的相似性值,μ是正则化参数, 表示将原始高维度特征数据映射到低维流i形空间时,同时利用l2,p范数进行特征权重自适应稀疏控制,λ1是一个超参数;约束项中,si是S的第i行相似性向量,s1=1用以保证每一个样本与其他样本的相似性之和等于1,其中T

1是由n个1组成的列向量,0≤sij≤1保证两个样本之间的相似性在0和1区间内;WW=E用以保证得到的列向量解为单位正交向量,sum(S,2)表示对样本相似性矩阵S在行的方向上求i和,γi为样本选择向量中对应第i个样本的元素,如果选择第i个样本x ,则γi等于1,否则γi为0;||γZ(+1)||0=k1和||γz(‑1)||0=k2表示利用 范数来约束γ,从而选择指定数量的正负样本,k1和k2分别表示正样本的数量和负样本的数量,Z(+1)=[i:yi=+1}和Z(‑1)={i:yi=‑1}分别表示正负样本索引集;

S3:对目标函数进行优化,得到最优的特征权重矩阵W′和最优的样本选择向量γ′,S4:根据最优特征权重矩阵W′选择出对应的特征,根据最优的样本选择向量γ′的取值选择出对应的样本;

S5:利用选择出的样本和特征数据对分类模型或者预测模型进行训练,得到训练好的分类模型或者预测模型,待分类或待预测的医学影像数据根据得到的最优的特征权重矩阵来选择特征,然后输入至训练好的分类模型或者预测模型,得到分类结果或者预测结果。

2.如权利要求1所述的基于混合稀疏的样本和特征选择方法,其特征在于,S3包括:S3.1:固定样本相似性矩阵S,然后更新W,公式(5‑1)转换为:T

s.t.WW=E           (5‑2)其中Ls等于 度矩阵D是一个对角矩阵,它的对角线上的第i个元素值等于S3.2:固定W,然后更新S,公式(5‑1)转换为:i

s.t.s1=1,0≤sij≤1,γ=sum(S,2)γi∈{0,1},||γZ(+1)||0=k1,||γZ(‑1)||0=k2        (5‑3)由于每个样本的相似性向量是独立的,分别对每个样本求解:i

s.t.s1=1,0≤sij≤1       (5‑4)其中用 且 重写公式(5‑4)得到:

i

s.t.s1=1,0≤sij≤1       (5‑5)对相似性矩阵S进行求解,将与样本i具有相同标签的c个最近样本计算相似性值,其余置零,得到未进行样本选择的相似矩阵S;

S3.3:将矩阵A=[aij]中不同类别的样本对元素值置零后按行求和,得到列向量其中bi表示第i样本与其他同类样本在低维流型空间的欧式距离和,对b中正样本元素值按从小到大排序, 对应于排序后的前k1个正样本引索,对b中负样本元素值按从小到大排序, 对应于排序后的前k2个负样本,得到当前进行样本选择后相似性矩阵S3.4:判断更新后的相似性矩阵的行向量 元素是否非全零,如果是,则设置γi为1,反之,则设置γi为0,S3.5:迭代执行步骤S3.1~S3.4,直至公式(5‑1)收敛或满足最大迭代次数,最终得到最优的特征权重矩阵W′和最优的样本选择向量γ′。

3.如权利要求1所述的基于混合稀疏的样本和特征选择方法,其特征在于,步骤S4包括:对于特征选择,计算最优特征权重矩阵W′中每一行的平方和后开方得到向量v,然后计算v中所有元素的平均值得到均值h,选择v中所有元素值vi≥(0.2×h)对应的特征;

对于样本选择,选择γ′向量中元素值为1对应的样本。

4.一种基于混合稀疏的样本和特征选择装置,其特征在于,包括:特征提取模块,用于通过深度学习、传统机器学习、医学工具包提取每个医学图像的特征,提取出的医学图像特征组成样本特征矩阵 其中,n表示特征样本数量,d表示特征维度;

嵌入学习模块,采用混合稀疏嵌入学习方法将样本特征矩阵中的原始高维度特征数据映射到低维流形空间中,其中,目标函数为:i T

s.t.s1=1,0≤sij≤1,WW=E,γ=sum(S,2)γi∈{0,1},||γZ(+1)||0=k1,||γZ(‑1)||0=k2       (5‑1)i j

上式中,x和x分别表示样本特征矩阵X中的第i个和第j个样本, 表示投影维度为m的特征权重系数矩阵, 表示样本相似性矩阵,sij表示第i个样本和第j个样本的相似性值,μ是用于避免无意义解的正则化参数, 表示将原始高维度特征数据映射到低维流形空间时,同时利用l2,p范数进行特征权重自适应稀疏控制,λ1是一个i i超参数;约束项中,s是S的第i行相似性向量,s 1=1用以保证每一个样本与其他样本的相似性之和等于1,其中1是由n个1组成的列向量,0≤sij≤1保证两个样本之间的相似性在0和T

1区间内;WW=E用以保证得到的列向量解为单位正交向量,sum(S,2)表示对样本相似性矩阵S在行的方向上求和,γi为样本选择向量中对应第i个样本的元素,如果选择第i个样本ix ,则γi等于1,否则γi为0;||γZ(+1)||0=k1和||γZ(‑1)||0=k2表示利用l0范数来约束γ,从而选择指定数量的正负样本,k1和k2分别表示正样本的数量和负样本的数量,Z(+1)={i:yi=+1}和Z(‑1)={i:yi=‑1}分别表示正负样本索引集;

优化模块,用于对目标函数进行优化,得到最优的特征权重矩阵W′和最优的样本选择向量γ′,样本和特征选择模块,用于根据最优特征权重矩阵W′选择出对应的特征,根据最优的样本选择向量γ′的取值选择出对应的样本;

分类或预测模块,用于利用选择出的样本和特征数据对分类模型或者预测模型进行训练,得到训练好的分类模型或者预测模型,待分类或待预测的医学影像数据根据得到的最优的特征权重矩阵来选择特征,然后输入至训练好的分类模型或者预测模型,得到分类结果或者预测结果。

5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被执行时实现如权利要求1至3中任一项权利要求所述的方法。

6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3中任一项权利要求所述的方法。