本發(fā)明涉及機器學(xué)習(xí)和模式識別
技術(shù)領(lǐng)域：
，特別是涉及一種核范數(shù)驅(qū)動的數(shù)據(jù)分類方法及系統(tǒng)。
背景技術(shù)：
：目前，隨著互聯(lián)網(wǎng)的普及和計算機技術(shù)的飛速發(fā)展，推動著大數(shù)據(jù)時代的來臨，各行各業(yè)每天都在產(chǎn)生數(shù)量巨大的數(shù)據(jù)碎片，使得諸如文本、多媒體信息、圖像等各類數(shù)據(jù)呈爆炸式增長，但是同時人們也進入了“信息發(fā)達、知識匱乏”的怪圈，由于數(shù)據(jù)量龐大，找不到自己所需要的數(shù)據(jù)。這一尷尬局面促使學(xué)者們迫切尋求快速檢索數(shù)據(jù)的新技術(shù)，滿足人們的快速檢索需求。數(shù)據(jù)分類技術(shù)正是解決這一問題的有效途徑，它可以自動構(gòu)建與人類認知相一致的數(shù)據(jù)語義信息。標(biāo)簽傳播于2002年由Zhu等人提出，它是一種基于圖的半監(jiān)督學(xué)習(xí)方法，其基本思路是用已標(biāo)記節(jié)點的標(biāo)簽信息去預(yù)測未標(biāo)記節(jié)點的標(biāo)簽信息。近年在圖像數(shù)據(jù)分類方面也表現(xiàn)出優(yōu)秀的性能。利用樣本間的關(guān)系建立完全圖模型，在完全圖中，節(jié)點包括已標(biāo)注和未標(biāo)注數(shù)據(jù)，其邊表示兩個節(jié)點的相似度，節(jié)點的標(biāo)簽按相似度傳遞給其他節(jié)點。然而，目前大多數(shù)直推式標(biāo)簽傳播模型主要圍繞權(quán)重稀疏構(gòu)造的方面開展研究，具有一些明顯的缺點，即基于弗羅貝尼烏斯范數(shù)(Frobeniusnorm)的近鄰重構(gòu)誤差與標(biāo)簽擬合錯差度量不夠準(zhǔn)確、可靠，且標(biāo)簽估計的過程容易受到噪聲的負面影響，降低了標(biāo)簽估計結(jié)果的準(zhǔn)確性。因此，提出一種新的數(shù)據(jù)分類方法，以提升分類結(jié)果的可靠性和精準(zhǔn)性是本領(lǐng)域技術(shù)人員目前亟需解決的問題。技術(shù)實現(xiàn)要素：有鑒于此，本發(fā)明提供了一種核范數(shù)驅(qū)動的數(shù)據(jù)分類方法及系統(tǒng)，以實現(xiàn)提升分類結(jié)果的可靠性和精準(zhǔn)性的目的。為解決上述技術(shù)問題，本發(fā)明提供一種核范數(shù)驅(qū)動的數(shù)據(jù)分類方法，基于核范數(shù)作為距離度量的思想，該方法包括：依據(jù)訓(xùn)練集中訓(xùn)練樣本的初始標(biāo)簽信息確定初始類別矩陣Y，以及通過對所有所述訓(xùn)練樣本執(zhí)行近鄰搜索操作構(gòu)造得到相似度量矩陣，并對所述相似度量矩陣進行對稱化、歸一化處理得到權(quán)重系數(shù)矩陣W；其中，所述訓(xùn)練集包括有標(biāo)簽訓(xùn)練樣本和無標(biāo)簽訓(xùn)練樣本，所述權(quán)重系數(shù)矩陣W用于表征樣本間的近鄰特性；基于所述初始類別矩陣Y和所述權(quán)重系數(shù)矩陣W，通過平衡近鄰重構(gòu)項和標(biāo)簽擬合項建立直推式標(biāo)簽傳播模型，利用所述直推式標(biāo)簽傳播模型進行迭代優(yōu)化得到所述訓(xùn)練集的軟類別標(biāo)簽預(yù)測矩陣F；其中，所述近鄰重構(gòu)項是可靠的核范數(shù)度量的重構(gòu)錯誤項，用于定義流形平滑項，所述標(biāo)簽擬合項是基于加權(quán)L2,1范數(shù)正則化的標(biāo)簽擬合項；利用所述軟類別標(biāo)簽預(yù)測矩陣F，計算得到測試樣本的軟類別標(biāo)簽向量，根據(jù)軟類別標(biāo)簽向量中概率的最大值對應(yīng)的類別確定所述測試樣本的類別，得到最準(zhǔn)確的分類結(jié)果；其中，所述軟類別標(biāo)簽向量中的元素為所述測試樣本歸屬各個類別的概率。優(yōu)選地，所述通過對所有所述訓(xùn)練樣本執(zhí)行近鄰搜索操作構(gòu)造得到相似度量矩陣，并對所述相似度量矩陣進行對稱化、歸一化處理得到權(quán)重系數(shù)矩陣W，包括：對所述訓(xùn)練集中每個樣本進行K近鄰搜索，找出每個樣本在所述訓(xùn)練集中的K個距離最近的樣本；采用LLE-重構(gòu)權(quán)的構(gòu)造算法，構(gòu)造相似近鄰圖的相似度量矩陣；對所述相似度量矩陣進行對稱化、歸一化處理，得到所述權(quán)重系數(shù)矩陣W。優(yōu)選地，通過解決以下目標(biāo)函數(shù)最小化問題實現(xiàn)所述平衡近鄰重構(gòu)項和標(biāo)簽擬合項：MinFJ^=||FT-WFT||*+tr((FT-YT)TUV(FT-YT))]]>其中，||FT-WFT||*為所述近鄰重構(gòu)項，tr((FT-YT)TUV(FT-YT))為所述標(biāo)簽擬合項；U是以μi為元素的平衡近鄰重構(gòu)項和標(biāo)簽擬合項之間的正權(quán)衡參數(shù)矩陣；V是以Vi,i＝1/2hi||2(i＝1,2,...,l+μ)為元素的對角矩陣，hi為矩陣FΤ-YΤ的第i個行向量。本發(fā)明還提供了一種核范數(shù)驅(qū)動的數(shù)據(jù)分類系統(tǒng)，基于核范數(shù)作為距離度量的思想，該系統(tǒng)包括：訓(xùn)練預(yù)處理模塊，用于依據(jù)訓(xùn)練集中訓(xùn)練樣本的初始標(biāo)簽信息確定初始類別矩陣Y，以及通過對所有所述訓(xùn)練樣本執(zhí)行近鄰搜索操作構(gòu)造得到相似度量矩陣，并對所述相似度量矩陣進行對稱化、歸一化處理得到權(quán)重系數(shù)矩陣W；其中，所述訓(xùn)練集包括有標(biāo)簽訓(xùn)練樣本和無標(biāo)簽訓(xùn)練樣本，所述權(quán)重系數(shù)矩陣W用于表征樣本間的近鄰特性；訓(xùn)練模塊，用于基于所述初始類別矩陣Y和所述權(quán)重系數(shù)矩陣W，通過平衡近鄰重構(gòu)項和標(biāo)簽擬合項建立直推式標(biāo)簽傳播模型，利用所述直推式標(biāo)簽傳播模型進行迭代優(yōu)化得到所述訓(xùn)練集的軟類別標(biāo)簽預(yù)測矩陣F；其中，所述近鄰重構(gòu)項是可靠的核范數(shù)度量的重構(gòu)錯誤項，用于定義流形平滑項，所述標(biāo)簽擬合項是基于加權(quán)L2,1范數(shù)正則化的標(biāo)簽擬合項；類別確定模塊，用于利用所述軟類別標(biāo)簽預(yù)測矩陣F，計算得到測試樣本的軟類別標(biāo)簽向量，根據(jù)軟類別標(biāo)簽向量中概率的最大值對應(yīng)的類別確定所述測試樣本的類別，得到最準(zhǔn)確的分類結(jié)果；其中，所述軟類別標(biāo)簽向量中的元素為所述測試樣本歸屬各個類別的概率。以上本發(fā)明提供的一種核范數(shù)驅(qū)動的數(shù)據(jù)分類方法及系統(tǒng)，通過引入當(dāng)前流行的核范數(shù)正則化度量思想，利用標(biāo)簽傳播方法對數(shù)據(jù)進行直推式分類處理，準(zhǔn)確快速估計出測試樣本的類別標(biāo)簽。具體地，在構(gòu)建直推式標(biāo)簽傳播模型時，通過采用基于可靠的核范數(shù)度量的近鄰重構(gòu)誤差，提高了模型的可靠性和精準(zhǔn)性，進而提升了分類結(jié)果的可靠性和精準(zhǔn)性。此外，采用基于加權(quán)L2,1范數(shù)的標(biāo)簽擬合項，保證了在度量預(yù)測標(biāo)簽和初始標(biāo)簽之間差異時對于噪音的魯棒型和度量的準(zhǔn)確性，以此提高了模型對噪聲和異類數(shù)據(jù)的魯棒性，進一步提升了分類結(jié)果的可靠性和精準(zhǔn)性。還有，使用核范數(shù)作為距離度量比L1范數(shù)或L2范數(shù)更可靠，有效提升了模型的預(yù)測精準(zhǔn)度。附圖說明為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。圖1為本發(fā)明實施例提供的一種核范數(shù)驅(qū)動的數(shù)據(jù)分類方法的流程圖；圖2為本發(fā)明實施例提供的一種核范數(shù)驅(qū)動的數(shù)據(jù)分類系統(tǒng)的結(jié)構(gòu)框圖示意圖；圖3為本發(fā)明實施例提供的一種核范數(shù)驅(qū)動的數(shù)據(jù)分類方法的實際應(yīng)用場景示意圖。具體實施方式下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。本發(fā)明的核心是提供一種核范數(shù)驅(qū)動的數(shù)據(jù)分類方法及系統(tǒng)，以實現(xiàn)提升分類結(jié)果的可靠性和精準(zhǔn)性的目的。為了使本
技術(shù)領(lǐng)域：
的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步的詳細說明。本發(fā)明實施例在三個不同的數(shù)據(jù)庫進行了測試：SCCTS機器學(xué)習(xí)數(shù)據(jù)集，COIL20目標(biāo)圖像數(shù)據(jù)集以及GTF人臉圖像數(shù)據(jù)集，其中SCCTS機器學(xué)習(xí)數(shù)據(jù)集，包含1000個樣本，分別為10個類別，每個類別涵括100個樣本；COIL20目標(biāo)圖像數(shù)據(jù)集共有1440個目標(biāo)圖像識別數(shù)據(jù)集樣本；GTF臉數(shù)據(jù)庫包含了被測試者的750幅圖片，并且每張圖片具有不同的姿勢、光照強度和表情。這些數(shù)據(jù)庫從多方面收集，因而測試結(jié)果具有普遍說明性。參考圖1，圖1示出了本發(fā)明實施例提供的一種核范數(shù)驅(qū)動的數(shù)據(jù)分類方法的流程圖，該方法基于核范數(shù)作為距離度量的思想，其具體可以包括如下步驟：步驟S100、依據(jù)訓(xùn)練集中訓(xùn)練樣本的初始標(biāo)簽信息確定初始類別矩陣Y，以及通過對所有訓(xùn)練樣本執(zhí)行近鄰搜索操作構(gòu)造得到相似度量矩陣，并對相似度量矩陣進行對稱化、歸一化處理得到權(quán)重系數(shù)矩陣W。其中，訓(xùn)練集包括有標(biāo)簽訓(xùn)練樣本和無標(biāo)簽訓(xùn)練樣本，有標(biāo)簽訓(xùn)練樣本為已知類別的樣本，無標(biāo)簽訓(xùn)練樣本為未知類別的樣本。對于給定的一個訓(xùn)練集其中，n是樣本的維度，N＝l+u是樣本集總數(shù)，l為訓(xùn)練集樣本數(shù)，u為測試集樣本數(shù)，即包含有類別標(biāo)簽(共C個類別，C＞2)的訓(xùn)練集樣本和無任何標(biāo)簽的測試集樣本對于初始類別矩陣Y，其用于記錄初始已知的監(jiān)督信息，在實際應(yīng)用中，通過人工標(biāo)定來確定：首先，初始化定義一個行、列數(shù)分別為類別總數(shù)C和訓(xùn)練樣本總數(shù)N的矩陣Y，所有元素均初始化為0來記錄所有訓(xùn)練樣本的初始化標(biāo)簽信息；其次，對于有標(biāo)簽的訓(xùn)練樣本，若樣本xj屬于第i類，令Yi,j＝1，其中類別標(biāo)簽i屬于集合{1,2,...,c}；對于所有無標(biāo)簽樣本xj，令Yi,j＝0。保證Y中所有列的元素之和均為1，表示每個訓(xùn)練樣本有且僅有一個已知的標(biāo)簽。對于權(quán)重系數(shù)矩陣W，其用于表征樣本間的近鄰特性，在具體實施過程中，通過以下步驟實現(xiàn)對其的確定：對訓(xùn)練集中每個樣本進行K近鄰搜索，找出每個樣本在訓(xùn)練集中的K個距離最近的樣本；采用LLE-重構(gòu)權(quán)的構(gòu)造算法，構(gòu)造相似近鄰圖的相似度量矩陣；對相似度量矩陣進行對稱化、歸一化處理，得到權(quán)重系數(shù)矩陣W。根據(jù)LLE重構(gòu)權(quán)重矩陣計算得到一個權(quán)重矩陣即解決以下最小化問題：其中,為包含樣本xi鄰域內(nèi)的近鄰點，為行和為1約束，Wi,j≥0為非負約束，即權(quán)重稀疏滿足該概率定義。另外，可選地，此部分還包括必要的數(shù)據(jù)預(yù)處理和參數(shù)設(shè)置等操作，具體內(nèi)容可以參考現(xiàn)有技術(shù)，，本發(fā)明在此不做詳述。至此，我們得到了權(quán)重系數(shù)矩陣W以及初始類別標(biāo)簽矩陣Y。步驟S101、基于初始類別矩陣Y和權(quán)重系數(shù)矩陣W，通過平衡近鄰重構(gòu)項和標(biāo)簽擬合項建立直推式標(biāo)簽傳播模型，利用直推式標(biāo)簽傳播模型進行迭代優(yōu)化得到訓(xùn)練集的軟類別標(biāo)簽預(yù)測矩陣F。其中，近鄰重構(gòu)項是可靠的核范數(shù)度量的重構(gòu)錯誤項，用于定義流形平滑項，標(biāo)簽擬合項是基于加權(quán)L2,1范數(shù)正則化的標(biāo)簽擬合項；具體地，在建立直推式標(biāo)簽傳播模型過程中，通過解決以下目標(biāo)函數(shù)最小化問題來平衡近鄰重構(gòu)項和標(biāo)簽擬合項：MinFJ^=||FT-WFT||*+tr((FT-YT)TUV(FT-YT))]]>其中，||FT-WFT||*為近鄰重構(gòu)項，tr((FT-YT)TUV(FT-YT))為標(biāo)簽擬合項；U是以μi為元素的平衡近鄰重構(gòu)項和標(biāo)簽擬合項之間的正權(quán)衡參數(shù)矩陣，以μi為元素的對角矩陣，μi為調(diào)整參數(shù)，當(dāng)訓(xùn)練集中的樣本xi的標(biāo)簽為已知時，對應(yīng)的μi＝1010，反之μi＝0；V是以Vi,i＝1/2hi||2(i＝1,2,...,l+μ)為元素的對角矩陣，hi為矩陣FΤ-YΤ的第i個行向量。對于X＝(Xi,i)的主對角線上的所有元素之和稱之為X的跡，記為tr(X)，||E||2,1為L2,1范數(shù)，||L||*為核范數(shù)，分別定義如下：tr(X)=Σi=1NXi,i,||E||2,1=Σi=1NΣi=1N([E]i,j)2,||L||*=Σiσi(L),]]>∑iσi(L)表示矩陣L的奇異值之和。在計算時，可以注意到目標(biāo)函數(shù)是凸的，所以可對目標(biāo)函數(shù)求其F的偏導(dǎo)，在導(dǎo)數(shù)等于0處，即為目標(biāo)函數(shù)的極值點。首先在計算||FT-WFT||*時，本例進行優(yōu)化和計算時引入一個定理：對于矩陣有||X||*=||(XXT)-14X||F2,]]>定理中用Frobenius范數(shù)來代替核范數(shù)，并且對于模型提供了一組基底，秩為r的X第α項權(quán)重定義為：Xα=UΣαVT,Σα=diag(σ1α,...,σrα),]]>U∑VΤ是對X進行奇異值的分解，∑＝diag(σ1,...,σr)?；谝陨隙ɡ?，本發(fā)明方法的目標(biāo)函數(shù)項||FT-WFT||*可以通過以下轉(zhuǎn)換：||FT-WFT||*=||G(FT-WFT)||F2=tr(G(FT-WFT)(FT-WFT)TGT)=tr(G(I-W)FTF(I-WT)GT)=tr(F(I-WT)GTG(I-W)FT),]]>其中，G為權(quán)重矩陣，定義為：G＝((FT-WFT)(FT-WFT)T)-1/4，此處應(yīng)該注意，當(dāng)(FT-WFT)(FT-WFT)Τ中的某些奇異值很小時，計算G時會出現(xiàn)錯誤，為了提高算法的穩(wěn)定性，可以利用(FT-WFT)ε代替(FT-WFT)計算：Xϵ=UΣϵVT,Σϵ=diag(max{σi,ϵ}i=1:r),]]>其中，εk＝min{εk-1,σK(FT-WFT)}。然后，對標(biāo)簽擬合項有：(FT-YT)TUV(FT-YT)＝FUVFT-FUVYT-YUVFT+YUVYT，對于目標(biāo)函數(shù)求最小值，等價于對F求導(dǎo)后，導(dǎo)數(shù)為零的極值點，于是有：∂∂F=F(I-WT)GTG(I-W)+FUV-YUV=0⇒F((I-WT)GTG(I-W)+UV)=YUV⇒F=YUV((I-WT)GTG(I-W)+UV)-1,]]>其中，是對角矩陣，對應(yīng)于有標(biāo)簽的對角元素值為無窮大，無標(biāo)簽的對應(yīng)對角元素值為0。最后，因為V和G都是關(guān)于F的函數(shù)，所以該方法通過對三個變量相互迭代使目標(biāo)函數(shù)得到有效解，最后得出軟標(biāo)簽F和預(yù)測結(jié)果。具體的基于核范數(shù)驅(qū)動的標(biāo)簽預(yù)測算法如下：輸入：原始數(shù)據(jù)矩陣測試集標(biāo)簽矩陣輸出：軟標(biāo)簽矩陣(F*←Fk+1)、預(yù)測矩陣(predicted_labels)。初始化：gama＝1,kesi＝1,tol＝1e-2,K＝7,V＝G＝I,F＝Y(jié),maxIter＝10,converged＝0while還未收斂時do固定G和V并更新Fk+1：Fk+1＝Y(jié)UVk((I-WT)(Gk)TGk(I-W)+UVk)-1固定F并更新Vk+1：Vk+1=1/2||FkT-YT||2]]>固定F并更新Gk+1：Gk+1＝(((Fk)T-W(Fk)T)((Fk)T-W(Fk)T)T)-1/4檢查是否收斂：若sqrt(sum(tmp(:).2))＜tol||iter＞＝maxIter則停止；若(迭代停止的條件為:超過預(yù)先設(shè)定的最大迭代次數(shù)maxIter，或者計算連續(xù)兩次迭代得到的矩陣F之間的距離(判斷依據(jù)為：Fk+1-Fk所有元素平方和開根號的結(jié)果小于規(guī)定值tol)，若小于預(yù)先設(shè)定值，則迭代停止。)否則k＝k+1endwhile本算法主要在于Gk+1的計算，需要對矩陣進行奇異值分解，因此本算法的計算復(fù)雜度與基于RPCA的InexactALM方法相同。步驟S102、利用軟類別標(biāo)簽預(yù)測矩陣F，計算得到測試樣本的軟類別標(biāo)簽向量，根據(jù)軟類別標(biāo)簽向量中概率的最大值對應(yīng)的類別確定測試樣本的類別，得到最準(zhǔn)確的分類結(jié)果。本發(fā)明中，軟類別標(biāo)簽向量中的元素為測試樣本歸屬各個類別的概率。通過模型對軟類別標(biāo)簽矩陣F和其他變量的相互迭代得到所有樣本數(shù)據(jù)的軟類別標(biāo)簽矩陣F，最后每個類標(biāo)簽信息未知的樣本xnew的類別標(biāo)簽可以被歸結(jié)為argmaxi≤c(fnew)，fnew為xnew的軟標(biāo)簽向量，即根據(jù)軟標(biāo)簽fnew中類別歸屬概率的最大值對應(yīng)的位置，估計出類標(biāo)簽信息未知的樣本類別，完成分類過程。對于上述迭代生成的軟標(biāo)簽矩陣F，最后每個無標(biāo)簽訓(xùn)練樣本的硬標(biāo)簽可以被歸結(jié)為argmaxi≤c(fi)，表示預(yù)測的軟標(biāo)簽向量fi第i個元素位置。根據(jù)無標(biāo)簽訓(xùn)練樣本對應(yīng)的軟標(biāo)簽中的最大值，得到無標(biāo)簽訓(xùn)練集樣本對應(yīng)的預(yù)測類別。基于上述本發(fā)明實施例提供的核范數(shù)驅(qū)動的數(shù)據(jù)分類方法，本發(fā)明實施例還提供了一種核范數(shù)驅(qū)動的數(shù)據(jù)分類系統(tǒng)，參考圖2，該系統(tǒng)200基于核范數(shù)作為距離度量的思想，其可以包括如下內(nèi)容：訓(xùn)練預(yù)處理模塊201，用于依據(jù)訓(xùn)練集中訓(xùn)練樣本的初始標(biāo)簽信息確定初始類別矩陣Y，以及通過對所有訓(xùn)練樣本執(zhí)行近鄰搜索操作構(gòu)造得到相似度量矩陣，并對相似度量矩陣進行對稱化、歸一化處理得到權(quán)重系數(shù)矩陣W；其中，訓(xùn)練集包括有標(biāo)簽訓(xùn)練樣本和無標(biāo)簽訓(xùn)練樣本，權(quán)重系數(shù)矩陣W用于表征樣本間的近鄰特性；訓(xùn)練模塊202，用于基于初始類別矩陣Y和權(quán)重系數(shù)矩陣W，通過平衡近鄰重構(gòu)項和標(biāo)簽擬合項建立直推式標(biāo)簽傳播模型，利用直推式標(biāo)簽傳播模型進行迭代優(yōu)化得到訓(xùn)練集的軟類別標(biāo)簽預(yù)測矩陣F；其中，近鄰重構(gòu)項是可靠的核范數(shù)度量的重構(gòu)錯誤項，用于定義流形平滑項，標(biāo)簽擬合項是基于加權(quán)L2,1范數(shù)正則化的標(biāo)簽擬合項；類別確定模塊203，用于利用軟類別標(biāo)簽預(yù)測矩陣F，計算得到測試樣本的軟類別標(biāo)簽向量，根據(jù)軟類別標(biāo)簽向量中概率的最大值對應(yīng)的類別確定測試樣本的類別，得到最準(zhǔn)確的分類結(jié)果；其中，軟類別標(biāo)簽向量中的元素為測試樣本歸屬各個類別的概率。請參閱表1，為本發(fā)明方法和SparseNP(SparseNeighborhoodPropagation)、SLP(SpecialLabelPropagation)、LNP(LabelNeighborhoodPropagation)、LLGC(LearningwithLocalandGlobalConsistency)、LapLDA(LaplacianLinearDiscriminantAnalysis)、GFHF(GaussianFieldsandHarmonicFunctions)以及CD-LNP(PriorClassDissimilaritybasedLNP)方法分類結(jié)果對比表，給出了各方法實驗的平均和最高識別率。請參閱附圖3，為本發(fā)明實施例公開的一種核范數(shù)驅(qū)動的數(shù)據(jù)分類方法的實際應(yīng)用場景示意圖。本例中，參與比較的SparseNP、LNP和LapLDA方法采用各文獻中算法使用的默認參數(shù)，且分類均采用K-最近鄰(K＝7)分類器。分別從COIL20目標(biāo)圖像數(shù)據(jù)集和HP0機器錯誤實驗訓(xùn)練樣本數(shù)據(jù)集中每類隨機選取15個和2個作為已標(biāo)記數(shù)據(jù)，其他未標(biāo)記數(shù)據(jù)作為測試集。分別從GTF人臉圖像這兩組實驗訓(xùn)練樣本數(shù)據(jù)集中每類隨機選取5個和7個作為已標(biāo)記數(shù)據(jù)。其他未標(biāo)記數(shù)據(jù)作為測試集。表1通過實驗結(jié)果我們可以看出本發(fā)明的數(shù)據(jù)分類效果明顯優(yōu)于相關(guān)的其他幾種方法，且表現(xiàn)出了較強的穩(wěn)定性，具有一定的優(yōu)勢。需要說明的是，本說明書中的各個實施例均采用遞進的方式描述，每個實施例重點說明的都是與其它實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。對于系統(tǒng)類實施例而言，由于其與方法實施例基本相似，所以描述得比較簡單，相關(guān)之處參見方法實施例的部分說明即可。以上對本發(fā)明所提供的一種核范數(shù)驅(qū)動的數(shù)據(jù)分類方法及系統(tǒng)進行了詳細介紹。本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進行若干改進和修飾，這些改進和修飾也落入本發(fā)明權(quán)利要求的保護范圍內(nèi)。當(dāng)前第1頁1 2 3