一种基于图嵌入的极限学习机的图像降维方法 .pdfVIP

(19)中华人民共和国国家知识产权局

(12)发明专利说明书

(10)申请公布号CN110473140A

(43)申请公布日2019.11.19

(21)申请号CN201910648074.9

(22)申请日2019.07.18

(71)申请人清华大学

地址100084北京市海淀区清华园1号

(72)发明人宋士吉杨乐黄高

(74)专利代理机构北京清亦华知识产权代理事务所(普通合伙)

代理人廖元秋

(51)Int.CI

权利要求说明书说明书幅图

(54)发明名称

一种基于图嵌入的极限学习机的图

像降维方法

(57)摘要

本发明提出一种基于图嵌入的极限

学习机的图像降维方法，属于机器学习和

数据挖掘领域。该方法首先选取原始图像

样本集合，利用原始图像样本的样本间距

离和标签信息构建样本关系矩阵；之后根

据构建的样本关系矩阵，首先对输入的向

量化图像样本进行随机映射，随后通过最

小化加权样本重构误差，来学习特征提取

矩阵。最终使用所学习到的特征提取矩阵

对向量化图像数据实现数据降维。本发明

训练时间短，数据压缩高效，有效提升数

据的压缩质量和降维的稳定性。

法律状态

法律状态公告日法律状态信息法律状态

2019-12-13实质审查的生效实质审查的生效

2019-11-19公开公开

权利要求说明书

1.一种基于图嵌入的极限学习机的图像降维方法,其特征在于,包括以下步骤:

1)选取原始图像样本集合,记为X′∈{x′

1

,x′

2

,...,x′},X中每个原始图像样本

X′中所有原始图像样本对应的标签数据组成集合{y

1

,y

2

,...,y

N

},其中y

i

∈{1,2,...,M}为样本x′

i

对应的标签,N表示X′中原始图像样本总数量,S表示图像通道数,H表示图像高度,W

表示图像宽度,M为样本的总类别数;

2)初始化;具体步骤如下:

2-1)将X′中每张原始图像样本从矩阵转化为列向量,即

其中D=S×H×W为初始维度;转化后的图像样本集合为

X中每个图像样本

2-2)计算每个类别对应图像样本的个数,用向量P=[p

1

,...,p

M

]表示,其中P向量的第k个元素p

k

表示第k个类别所包含的图像样本数;计算步骤如下:

2-2-1)令i=1;向量P中所有元素初始值为0;

2-2-2)对y

i

进行判定:若y

i

=k,则令p

k

=p

k

+1;

2-2-3)令i=i+1,然后重新返回步骤2-2-2);直至i=N,得到计算完毕的向量P;

2-3)确定目标维度L;LD;

3)建立关系矩阵S;具体步骤如下:

3-1)计算所有图像样本两两间欧式距离的中位数并记为ω;其中图像样本

与图像样本

的欧式距离计算表达式如下:

b

ij

=||x

i

-x

j

||

3-2)计算近邻数

3-3)令i=1;

3-4)对图像样本x

i

,记y

i

=m,寻找与x

i

欧式距离最近的

个样本,所述

个样本下标组成x

i

的近邻样本集和,记为

3-5)在步骤3-4)得到的集合

中,令对应样本的标签值等于m的下标组成的集合为x

i

的近邻同类样本集,记为

即

3-6)在步骤3-4)得到的集合

中,统计对应样本的标签值不等于m的下标个数,记为

3-7)生成矩阵S的第i行:

3-8)令i=i+1,然后重新返回步骤3-4);直至i=N,矩阵S生成完毕;

4)求解特征提取矩阵β;具体步骤如下:

4-1)生成关系对角矩阵U:具体步骤如下:

4-1-1)令i=1;

4-1-2)对