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: 2025106454241
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:

1.一种偏标记特征选择方法,用于筛选画作的作者,其特征在于,包括以下步骤:获取偏标记数据集,所述偏标记数据集对应画作,所述偏标记数据集包括若干个候选特征,所述候选特征为表征作者名称的特征向量,获取与所述候选特征对应邻近标签集及全量标签集,所述邻近标签集包括若干个邻近标签,所述邻近标签为表征构图、大小、色彩、形状、线条的标签向量,所述全量标签集包括若干个标记标签,所述邻近标签集被包含于所述全量标签集中,基于所述邻近标签及所述标记标签获取所述候选特征的初始置信度;

获取所述候选特征的更新置信度,基于所述初始置信度及所述更新置信度获取与所述候选特征对应的最终置信度;

构建包括若干个子维度空间的特征空间,将所述候选特征映射至所述特征空间,以获取与所述候选特征对应的候选特征矩阵,获取与所述候选特征矩阵对应的候选聚类中心,并获取全部的所述候选特征矩阵的总聚类中心;

基于所述候选聚类中心及所述总聚类中心获取每一所述候选特征的紧密度,通过所述紧密度自若干个所述候选特征中选定若干个阶段特征,获取所述阶段特征的悲观依赖度及乐观依赖度,基于所述最终置信度、所述悲观依赖度及所述乐观依赖度获取所述阶段特征的重要性评估值,基于所述重要性评估值自若干个所述阶段特征中选定最优特征;

所述通过所述紧密度自若干个所述候选特征中选定若干个阶段特征的步骤包括:将其一所述候选特征选定为第一中间特征,并将剩余的所述候选特征均选定为第二中间特征,分别获取所述第一中间特征与全部的所述第二中间特征之间的紧密度差值;

将所述紧密度差值与差值阈值进行比对,将与小于所述差值阈值的所述紧密度差值对应的第二中间特征选定为待并特征,将所述第一中间特征与所述待并特征合并为动态粒度层级;

获取所述动态粒度层的紧密度均值,将紧密度均值最大的所述动态粒度层选定为阶段粒度层,将所述阶段粒度层中的若干个候选特征均选定为阶段特征;

所述获取所述阶段特征的悲观依赖度及乐观依赖度的步骤包括:

将其一所述阶段特征选定为待识别特征,将剩余的所述阶段特征选定为参考特征,将与所述待识别特征对应的邻近标签选定为待识别标签集,并将与所述参考特征对应的邻近标签选定为参考标签集;

将所述待识别标签集与全部的所述参考标签集进行比对,若所述待识别标签集中的某一邻近标签存在于全部的所述参考标签集中,则将该所述邻近标签选定为确定正区域,若所述待识别标签集中的某一邻近标签存在于部分所述参考标签集中,则将该所述邻近标签选定为边界区域;

基于所述确定正区域获取所述待识别特征的悲观依赖度,并基于所述确定正区域及所述边界区域获取所述待识别特征的乐观依赖度。

2.根据权利要求1所述的偏标记特征选择方法,其特征在于,所述初始置信度的获取公式为:,

其中,表示与第i个候选特征对应的初始置信度,表示全量标签集中第k个标记标签,表示与第i个候选特征对应的邻近标签集,表示与第i个候选特征对应的邻近标签集的基数。

3.根据权利要求1所述的偏标记特征选择方法,其特征在于,所述获取所述候选特征的更新置信度的步骤具体为:将其一所述候选特征选定为基准特征,并将剩余的所述候选特征选定为待定特征;

获取所述基准特征与所述待定特征之间的欧式距离,基于所述欧式距离自若干个所述待定特征中选取若干个判别单元,并通过所述欧式距离获取所述基准特征与所述判别单元之间的置信核;

对若干个所述置信核进行多元决策组合,以获取与所述基准特征对应的更新置信度。

4.根据权利要求3所述的偏标记特征选择方法,其特征在于,所述基于所述欧式距离自若干个所述待定特征中选取若干个判别单元的步骤具体为:将所述欧式距离与距离阈值进行比对,将与小于所述距离阈值的所述欧式距离对应的待定特征选定为判别单元;

所述置信核的获取公式为:

,

其中,表示第i个候选特征为基准特征、第j个候选特征为判别单元时,两者之间的置信核,表示权重参数,表示距离衰减系数,表示第i个候选特征与第j个候选特征之间的欧式距离,表示以e为底数的指数函数。

5.根据权利要求1所述的偏标记特征选择方法,其特征在于,所述获取与所述候选特征矩阵对应的候选聚类中心的步骤包括:将其一所述候选特征矩阵选定为基准特征矩阵,并将剩余的所述候选特征矩阵选定为待定特征矩阵;

获取所述基准特征矩阵与所述待定特征矩阵之间的马氏距离,基于所述马氏距离若干个所述待定特征矩阵中选取若干个邻近特征矩阵,将所述基准特征矩阵与所述邻近特征矩阵组合为邻域拓扑单元;

基于DBSCAN算法对所述邻域拓扑单元进行聚类处理,以获取与所述基准特征矩阵对应的候选聚类中心。

6.根据权利要求1所述的偏标记特征选择方法,其特征在于,所述紧密度的获取公式为:,

其中,表示与第i个候选特征对应的紧密度,表示与第i个候选特征对应的候选聚类中心,表示总聚类中心,表示邻域相关系数。

7.根据权利要求1所述的偏标记特征选择方法,其特征在于,所述基于所述最终置信度、所述悲观依赖度及所述乐观依赖度获取所述阶段特征的重要性评估值的步骤包括:通过所述最终置信度获取动态融合系数;

基于所述动态融合系数将所述悲观依赖度及所述乐观依赖度加权为重要性评估值。

8.一种偏标记特征选择系统,应用于如权利要求1~7任一项所述的偏标记特征选择方法,其特征在于,所述系统包括:采集模块,用于获取偏标记数据集,所述偏标记数据集对应画作,所述偏标记数据集包括若干个候选特征,所述候选特征为表征作者名称的特征向量,获取与所述候选特征对应邻近标签集及全量标签集,所述邻近标签集包括若干个邻近标签,所述邻近标签为表征构图、大小、色彩、形状、线条的标签向量,所述全量标签集包括若干个标记标签,所述邻近标签集被包含于所述全量标签集中,基于所述邻近标签及所述标记标签获取所述候选特征的初始置信度;

更新模块,用于获取所述候选特征的更新置信度,基于所述初始置信度及所述更新置信度获取与所述候选特征对应的最终置信度;

划分模块,用于构建包括若干个子维度空间的特征空间,将所述候选特征映射至所述特征空间,以获取与所述候选特征对应的候选特征矩阵,获取与所述候选特征矩阵对应的候选聚类中心,并获取全部的所述候选特征矩阵的总聚类中心;

执行模块,用于基于所述候选聚类中心及所述总聚类中心获取每一所述候选特征的紧密度,通过所述紧密度自若干个所述候选特征中选定若干个阶段特征,获取所述阶段特征的悲观依赖度及乐观依赖度,基于所述最终置信度、所述悲观依赖度及所述乐观依赖度获取所述阶段特征的重要性评估值,基于所述重要性评估值自若干个所述阶段特征中选定最优特征;

所述执行模块包括:

第七单元,用于将其一所述候选特征选定为第一中间特征,并将剩余的所述候选特征均选定为第二中间特征,分别获取所述第一中间特征与全部的所述第二中间特征之间的紧密度差值;

第八单元,用于将所述紧密度差值与差值阈值进行比对,将与小于所述差值阈值的所述紧密度差值对应的第二中间特征选定为待并特征,将所述第一中间特征与所述待并特征合并为动态粒度层级;

第九单元,用于获取所述动态粒度层的紧密度均值,将紧密度均值最大的所述动态粒度层选定为阶段粒度层,将所述阶段粒度层中的若干个候选特征均选定为阶段特征;

第十单元,用于将其一所述阶段特征选定为待识别特征,将剩余的所述阶段特征选定为参考特征,将与所述待识别特征对应的邻近标签选定为待识别标签集,并将与所述参考特征对应的邻近标签选定为参考标签集;

第十一单元,用于将所述待识别标签集与全部的所述参考标签集进行比对,若所述待识别标签集中的某一邻近标签存在于全部的所述参考标签集中,则将该所述邻近标签选定为确定正区域,若所述待识别标签集中的某一邻近标签存在于部分所述参考标签集中,则将该所述邻近标签选定为边界区域;

第十二单元,用于基于所述确定正区域获取所述待识别特征的悲观依赖度,并基于所述确定正区域及所述边界区域获取所述待识别特征的乐观依赖度。