多视图数据的特征选择方法及相关设备技术

本申请提供一种多视图数据的特征选择方法及相关设备。该方法包括：对预置的多视图数据的每个视图，确定谱嵌入矩阵，构建该视图的一致性正则矩阵，所述多视图数据包括有多个样本，每个所述样本具备相同个数的视图；基于预置的多个特征，设置关于所述特征的投影矩阵，利用所述谱嵌入矩阵和所述一致性正则矩阵构建关于所述投影矩阵的目标函数；对所述目标函数初始化得到初始目标函数，基于所述初始目标函数构建关于半正定矩阵，根据所述半正定矩阵的秩确定所述投影矩阵；基于所述投影矩阵的定义，计算所述目标函数的解，得到为所述多视图数据选择的特征。可以看出，本方法实现了利用视图间的一致性与互补性，选择出最具判别能力的多个特征。的多个特征。的多个特征。

【技术实现步骤摘要】
多视图数据的特征选择方法及相关设备


[0001]本申请的实施例涉及数据分类的
，尤其涉及一种多视图数据的特征选择方法及相关设备。

技术介绍

[0002]在相关的数据分类方式中，通常以有监督、弱监督或无监督的方式对数据的特征进行选择，以得到最有判别能力的特征，以对数据进行有效的分类，从而避免其他冗余的特征。
[0003]其中，无监督的特征选择方式往往多用于单一视图的数据，在面临可以从多个侧面进行描述的多视图数据时，现有的该特征选择方式经常由于特征过多而导致维度灾难效应，难以有效快速地获取有价值的特征。
[0004]基于此，需要一种方案能够有效应用于多视图数据，也即，特征维度极大的数据。

技术实现思路

[0005]有鉴于此，本申请的目的在于提出一种多视图数据的特征选择方法及相关设备。
[0006]基于上述目的，本申请提供了多视图数据的特征选择方法，包括：
[0007]对预置的多视图数据的每个视图，确定谱嵌入矩阵，构建该视图的一致性正则矩阵，所述多视图数据包括有多个样本，每个所述样本具备相同个数的视图；
[0008]基于预置的多个特征，设置关于所述特征的投影矩阵，利用所述谱嵌入矩阵和所述一致性正则矩阵构建关于所述投影矩阵的目标函数；
[0009]对所述目标函数初始化得到初始目标函数，基于所述初始目标函数构建关于半正定矩阵，根据所述半正定矩阵的秩确定所述投影矩阵；
[0010]基于所述投影矩阵的定义，计算所述目标函数的解，得到为所述多视图数据选择的特征。
[0011]进一步地，确定谱嵌入矩阵，包括：
[0012]对于每个所述视图，执行操作：
[0013]计算所述样本的距离矩阵；
[0014]根据所述距离矩阵计算关于该视图的相似性矩阵；
[0015]利用所述相似性矩阵确定关于该视图的拉普拉斯矩阵；
[0016]对所述拉普拉斯矩阵进行谱分解，得到所述谱嵌入矩阵。
[0017]进一步地，利用所述谱嵌入矩阵和所述一致性正则矩阵构建关于所述投影矩阵的目标函数，包括：
[0018]基于值全为1的多维向量构建中心化矩阵；
[0019]利用所述谱嵌入矩阵和预置的第一参量向量构建过渡矩阵；
[0020]利用预置的第二参量向量、所述中心化矩阵、所述过渡矩阵构建关于所述投影矩阵的目标函数。
[0021]进一步地，基于所述初始目标函数构建关于半正定矩阵，包括：
[0022]利用所述初始目标函数中的所述第一参量向量、所述第二参量向量和所述中心化矩阵构建关于所述多视图数据的半正定矩阵。
[0023]进一步地，根据所述半正定矩阵的秩确定所述投影矩阵，包括：
[0024]确定所述半正定矩阵的秩；
[0025]设置半正定阈值；
[0026]响应于所述半正定矩阵的秩小于等于所述半正定阈值，通过对所述半正定矩阵的对角线元素的排序，确定所述投影矩阵的定义；
[0027]响应于所述半正定矩阵的秩大于所述半正定阈值，通过对所述目标函数进行迭代，在所述目标函数迭代至预设的结束条件，确定所述投影矩阵的定义。
[0028]进一步地，基于所述投影矩阵的定义，计算所述目标函数的解，得到为所述多视图数据选择的特征，包括：
[0029]基于所述初始目标函数，确定所述第一参量向量的初始值、所述第二参量向量的初始值和所述投影矩阵的初始值；
[0030]基于所述第一参量向量的初始值、所述第二参量向量的初始值和所述投影矩阵的初始值，对所述目标函数进行整理，对整理后的目标函数进行迭代；
[0031]响应于所述目标函数迭代至预设的所述结束条件，确定所述第一参量向量、所述第二参量向量和所述投影矩阵；
[0032]根据所述投影矩阵，在预置的多个所述特征中确定为所述多视图数据选择的特征。
[0033]进一步地，对整理后的目标函数进行迭代，包括：
[0034]在每一轮次的迭代中，执行操作：
[0035]固定所述第一参量向量和所述第二参量向量在当前轮次的取值，求解所述投影矩阵在下一轮次的取值；
[0036]利用所述投影矩阵在下一轮次的取值，并固定所述第一参量向量在当前轮次的取值，求解所述第二参量向量在下一轮次的取值；
[0037]利用所述投影矩阵在下一轮次的取值和所述第二参量向量在下一轮次的取值，求解所述第一参量向量在下一轮次的取值；
[0038]响应于所述整理后的目标函数迭代至预设的所述结束条件，结束所述迭代，并输出最后轮次的所述第一参量向量、所述第二参量向量和所述投影矩阵的取值。
[0039]基于同一专利技术构思，本申请还提供了一种多视图数据的特征选择装置，包括：预处理模块、目标函数构建模块、投影矩阵确定模块和迭代求解模块；
[0040]其中，所述预处理模块，被配置为，对预置的多视图数据的每个视图，确定谱嵌入矩阵，构建该视图的一致性正则矩阵，所述多视图数据包括有多个样本，每个所述样本具备相同个数的视图；
[0041]所述目标函数构建模块，被配置为，基于预置的多个特征，设置关于所述特征的投影矩阵，利用所述谱嵌入矩阵和所述一致性正则矩阵构建关于所述投影矩阵的目标函数；
[0042]所述投影矩阵确定模块，被配置为，对所述目标函数初始化得到初始目标函数，基于所述初始目标函数构建关于半正定矩阵，根据所述半正定矩阵的秩确定所述投影矩阵；
[0043]所述迭代求解模块，被配置为，基于所述投影矩阵的定义，计算所述目标函数的解，得到为所述多视图数据选择的特征。
[0044]基于同一专利技术构思，本申请还提供了一种电子设备，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，所述处理器执行所述程序时实现如上任意一项所述的多视图数据的特征选择方法。
[0045]基于同一专利技术构思，本申请还提供了一种非暂态计算机可读存储介质，其中，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上多视图数据的特征选择方法。
[0046]从上面所述可以看出，本申请提供的多视图数据的特征选择方法及相关设备，基于得到的谱嵌入矩阵和一致性正则矩阵来对特征进行选择，综合考虑了谱嵌入矩阵、一致性正则矩阵与投影矩阵之间的关系，来进行目标函数的构建，并通过引入半正定矩阵，使得可以在迭代中以谱分解的方式确定投影矩阵，从而实现在无监督的情况下利用视图间的一致性与互补性，选择出最具判别能力的多个特征。
附图说明
[0047]为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0048]图1为本申请实施例的多视图数据的特征选择方法的流程图；
[0049]图2为本申请实施例的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多视图数据的特征选择方法，其特征在于，包括：对预置的多视图数据的每个视图，确定谱嵌入矩阵，构建该视图的一致性正则矩阵，所述多视图数据包括有多个样本，每个所述样本具备相同个数的视图；基于预置的多个特征，设置关于所述特征的投影矩阵，利用所述谱嵌入矩阵和所述一致性正则矩阵构建关于所述投影矩阵的目标函数；对所述目标函数初始化得到初始目标函数，基于所述初始目标函数构建关于半正定矩阵，根据所述半正定矩阵的秩确定所述投影矩阵；基于所述投影矩阵的定义，计算所述目标函数的解，得到为所述多视图数据选择的特征。2.根据权利要求1所述的方法，其特征在于，所述确定谱嵌入矩阵，包括：对于每个所述视图，执行操作：计算所述样本的距离矩阵；根据所述距离矩阵计算关于该视图的相似性矩阵；利用所述相似性矩阵确定关于该视图的拉普拉斯矩阵；对所述拉普拉斯矩阵进行谱分解，得到所述谱嵌入矩阵。3.根据权利要求1所述的方法，其特征在于，所述利用所述谱嵌入矩阵和所述一致性正则矩阵构建关于所述投影矩阵的目标函数，包括：基于值全为1的多维向量构建中心化矩阵；利用所述谱嵌入矩阵和预置的第一参量向量构建过渡矩阵；利用每个所述视图，构建所述一致性正则矩阵；利用预置的第二参量向量、所述中心化矩阵、所述过渡矩阵和所述一致性正则矩阵构建关于所述投影矩阵的目标函数。4.根据权利要求3所述的方法，其特征在于，所述基于所述初始目标函数构建关于半正定矩阵，包括：利用所述初始目标函数中的所述第一参量向量、所述第二参量向量和所述中心化矩阵构建关于所述多视图数据的半正定矩阵。5.根据权利要求1所述的方法，其特征在于，所述根据所述半正定矩阵的秩确定所述投影矩阵，包括：确定所述半正定矩阵的秩；设置半正定阈值；响应于所述半正定矩阵的秩小于等于所述半正定阈值，通过对所述半正定矩阵的对角线元素的排序，确定所述投影矩阵的定义；响应于所述半正定矩阵的秩大于所述半正定阈值，通过对所述目标函数进行迭代，在所述目标函数迭代至预设的结束条件，确定所述投影矩阵的定义。6.根据权利要求3所述的方法，其特征在于，所述基于所述投影矩阵的定义，计算所述目标函数的解，得到为所述多视图数据选择的特征，包括：基于所述初始目标函数，确定所述第一参量向量的初始值、所述第二参量向量的初始值和所述...

【专利技术属性】
技术研发人员：陶红，侯臣平，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：