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: 2023117767128
申请人: 江西农业大学
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:

1.一种面向偏标记数据的鲁棒特征选择方法,包括以下步骤:步骤S1,构建基于稀疏回归模型的特征选择方法模型,具体包括以下步骤:步骤S11,基于稀疏回归模型构建一个面向偏标记数据的特征与标记空间的目标函数,用于度量偏标记数据集中特征与标记的相关性,拟合偏标记数据特征空间与标记空间的关系,具体方法为:在稀疏回归模型中加入正则化项,防止模型过拟合,并通过模型估计偏标记数据中特征与标记的相关性,通过特征与标记间的相关性强弱来加大不同特征间的稀疏系数值差,选择系数更大的特征;建立的目标函数如下:其中,Y表示样本标记矩阵,且

步骤S12,利用偏标记数据中样本的相关性计算标记置信度,并根据标记置信度对标记空间中伪标记进行平滑处理,具体方法为:首先,根据样本特征矩阵X中样本的特征向量,利用欧式距离度量方法选出样本i的前k个近邻样本,并按照距离的远近排序,构成样本i的k近邻样本集合N然后根据以下规则对候选标记集合S

式中,c

计算出所有样本的候选标记集合中每个类别标记对应的置信度后,组成标记置信度矩阵C,且步骤S13,基于互信息方法衡量两个特征之间的关联程度,对特征的冗余性进行度量,并将特征与标记的相关性通过权重融入到特征的冗余性度量中;得到:其中,I(h

然后通过综合考虑特征与标记的相关性、样本的相关性、特征的冗余性,构造得到特征选择的目标函数:将上述公式化简得到特征选择的目标函数如下:

其中,X表示样本特征矩阵,且

步骤S14,采用两阶段交替迭代求解的方式对上述步骤S13中的特征选择的目标函数进行优化,构建得到基于稀疏回归模型的特征选择方法模型:其中,U表示拉普拉斯矩阵,且

步骤S2,利用构建得到的基于稀疏回归模型的特征选择方法模型对偏标记数据集进行优化学习,两阶段循环迭代地利用模型学习优化得到的标记置信度指导各个变量间相关性的更新,获取并更新稀疏回归系数矩阵,并通过稀疏回归系数按特征的重要度输出特征排序结果,对偏标记数据集进行特征选择,从而得到鲁棒性好的特征子集结果,具体包括以下步骤:步骤S21,将偏标记数据集

步骤S22,将拉普拉斯矩阵U初始化为单位矩阵,步骤S23,通过构建的基于稀疏回归模型的特征选择方法模型,利用欧氏距离度量方法获取每个样本的k近邻样本集合,并根据样本标记矩阵Y、近邻权重ω,计算偏标记数据集步骤S24,通过构建的基于稀疏回归模型的特征选择方法模型,对特征与标记的相关性、特征的冗余性进行度量计算,计算出每个样本的每个特征的重要度,并根据标记置信度矩阵C步骤S25,根据稀疏系数矩阵W

步骤S26,将稀疏系数矩阵W

步骤S27,根据低维度偏标记数据集

步骤S28,循环上述步骤S24~步骤S27,直到函数收敛或者迭代次数t到达最大迭代次数时,算法停止,根据特征的重要度输出特征排序结果,获得特征子集B,其中,所述偏标记数据集为BirdSong数据集、MSRCv2数据集、Lost数据集、FG-NET数据集或Mirflickr数据集,BirdSong数据集属于鸟声分类应用领域、MSRCv2数据集属于对象分类应用领域、Lost数据集属于自动命名应用领域、FG-NET数据集属于年龄估计应用领域、Mirflickr数据集属于图片分类应用领域。

2.根据权利要求1所述的面向偏标记数据的鲁棒特征选择方法,其特征在于,步骤S12中,投票数的计算公式如下:式中,z

3.根据权利要求1所述的面向偏标记数据的鲁棒特征选择方法,其特征在于,步骤S24中,根据标记置信度矩阵C

4.根据权利要求1所述的面向偏标记数据的鲁棒特征选择方法,其特征在于,步骤S25中,根据稀疏系数矩阵W若稀疏系数矩阵W

其中,