[发明专利]基于结构稀疏多核学习的多模态数据特征筛选和分类方法

摘要

本发明公开了一种基于结构稀疏多核学习的多模态数据特征筛选和分类方法，包括：提取数据特征，并对特征进行归一化；利用核函数为数据的每个特征构建一个核矩阵；根据数据特征将所有特征和其对应的核函数进行分组；利用带有类标签的训练数据训练结构稀疏化多核分类模型，并优化模型参数；使用训练好的结构稀疏化多核分类模型对测试数据进行分类。本发明方法将数据特征的选择和数据模态融合在统一的结构稀疏化多核分类模型中进行建模，并将结构稀疏化特征选择和基于最优核表示的分类器学习同时进行，提供了一种多模态数据特征筛选、融合和分类方法。

主权项

1.一种基于结构稀疏多核学习的多模态数据特征筛选和分类方法，其特征在于，将数据特征的选择和数据模态融合在统一的结构稀疏化多核分类模型中进行建模，并进行结构稀疏化特征选择和基于最优核表示的分类器学习,其具体步骤如下：收集用于训练模型的多模态数据及相应类标签，所述多模态数据为图像数据；从所述多模态数据中提取数据特征，并对特征进行归一化；利用独立的核表示函数为数据的每一维特征构建一个核矩阵；根据数据特征将所有特征和其对应的核函数进行分组；利用带有类标签的训练数据训练结构稀疏化多核分类模型，并优化模型参数；使用训练好的结构稀疏化多核分类模型对新的数据进行分类；所述根据数据特征将所有特征和其对应的核函数进行分组为：根据数据的模态，将所有特征和其对应的核表示函数进行分组，形成多个数据特征组；所述结构稀疏化多核分类模型中包括用于对核函数的权重进行约束和稀疏化选择的结构化正则约束项；所述结构稀疏化多核分类模型表示如下：其中，N表示训练样本个数，xⁱ表示第i个样本，f(xⁱ)表示第i个样本的线性分类函数，yⁱ表示xⁱ的类标签，类标签取值为1或者‑1，w＝(w₁，w₂，…，w_m)表示高维空间中线性分类函数的权重向量,θ＝(θ₁，θ₂，…，θ_m)表示特征映射的权重向量，表示所有特征的序号，L表示组的个数，表示第l个序号组，max(·，·)表示求最大值，||·||₂表示向量的2范数，p表示结构化稀疏约束的参数，选择范围为[1，+∞)，C为正的权重参数，m表示第m维特征，i为大于1的整数。