1.一种基于宽度学习系统的双松弛图像分类方法,其特征在于,将流形正则化技术应用于宽度学习网络中并采用双松弛方法获取更大的自由度,从而实现对数据几何结构的挖掘,对类内相似性的学习实现了目标的松弛回归;其步骤如下:步骤一:获取特征数据集和对应的类标签矩阵,特征数据集通过标准宽度学习网络生成宽度转换特征;
步骤二:引入双松弛技术和图正则化技术,构建基于宽度转换特征的双松弛图像分类优化目标函数;
所述基于宽度转换特征的双松弛图像分类优化目标函数为:其中,P是回归指标,A表示训练样本的宽度转特征矩阵,λ1、λ2均表示正则化参数,Q为额外引入的变换矩阵,W表示投影矩阵,||·||F表示矩阵的Frobenius范数,yi'表示第i'个样本xi'的真类索引,表示回归指标P的第i'行第yi'列项,Pi'j'表示回归指标P的第i'行第j'列项,ai'表示转换特征矩阵的第i'行向量,aj'表示转换特征矩阵的第j'列向量,Mi'j'表示样本间的相似性权重M的第i'行第j'列项,T表示转置;
步骤三:采用迭代优化求解所述双松弛图像分类优化目标函数,获得分类结果,并对分类结果进行评估;
所述采用迭代优化求解所述双松弛图像分类优化目标函数的方法为:将基于宽度转换特征的双松弛图像分类优化目标函数改写为目标函数L(W,P,Q,S):其中,tr(·)是迹预算符表示矩阵对角元素之和,D表示计算所得的对角矩阵,M表示样本之间的相似性权重;
S3.1、固定W、Q、S,更新求解标签矩阵P;
S3.2、固定W,P,Q,更新S;
S3.3、固定W,P,S,更新Q;
S3.4、固定P,Q,S,更新W:
S3.5、迭代上述过程,得到P、S、Q、W的最优解。
2.根据权利要求1所述的基于宽度学习系统的双松弛图像分类方法,其特征在于,所述宽度转换特征的生成方法为:S1.1、随机生成权重与偏置利用线性变换映射函数φi(·)从输入数据X中产生Ng组随机映射特征,则第i组映射特征为:将所有映射特征组合起来,得到:
S1.2、将映射特征输入到增强层,在增强层中输入随机生成权重与偏置通过激活函数ξj=tanh(·)得到l组增强节点,其第j组增强节点表示为:将所有增强节点组合起来,得到:
S1.3、组合所有的映射特征和增强节点,得到最终的宽度转换特征A:
3.根据权利要求1或2所述的基于宽度学习系统的双松弛图像分类方法,其特征在于,若W、Q、S固定,学习到的标签矩阵P通过下式得以解决:其中,F'=AW;
在步骤S3.2中固定W,P,Q,更新S的目标函数L(S)为:将L(S)对S的导数等于0可得:
其中,σ是一个大于0的常数;
步骤S3.3中固定W,P,S,更新Q的目标函数L(Q)为:将L(Q)对Q的导数等于0可得:
步骤S3.4中固定P,Q,S,更新W的目标函数L(W)为:将L(W)对W的导数等于0可得:
4.根据权利要求3所述的基于宽度学习系统的双松弛图像分类方法,其特征在于,迭代优化求解的终止条件为:(obj(t-1)-obj(t))≤ε0;
其中,obj(t-1)表示t-1轮迭代的目标函数值,obj(t)表示t轮迭代的目标函数值,ε0为设定值。