申请/专利权人:北京邮电大学
申请日:2021-05-11
公开(公告)日:2021-07-20
公开(公告)号:CN113139505A
主分类号:G06K9/00(20060101)
分类号:G06K9/00(20060101);G06K9/62(20060101);G06N3/04(20060101);G06N3/08(20060101)
优先权:
专利状态码:在审-实质审查的生效
法律状态:2021.08.06#实质审查的生效;2021.07.20#公开
摘要:本公开提供一种半监督学习方法和系统;所述方法包括:使图像数据形成图像数据矩阵,并进行归一化,取得归一化的所述图像数据的欧氏距离,将所述欧氏距离组成距离矩阵,并输入至单层神经网络;令所述单层神经网络利用接收的所述距离矩阵,根据预设的激活函数生成亲和矩阵,利用预设的代价函数的迭代,优化所述亲和矩阵;令所述图像数据矩阵结合所述亲和矩阵,根据预设的卷积函数得到图卷积层输出的标签矩阵,利用预设的所述代价函数的迭代,优化所述标签函数;将所述卷积层输出的所述标签矩阵与所述图像数据矩阵发送至极限学习神经网络,利用预设的所述代价函数的迭代,优化极限学习神经网络参数矩阵。
主权项:1.一种半监督学习的方法,其中,包括:使图像数据形成图像数据矩阵,并进行归一化,取得归一化的所述图像数据的欧氏距离,将所述欧氏距离组成距离矩阵,并输入至单层神经网络;令所述单层神经网络利用接收的所述距离矩阵,根据预设的激活函数生成亲和矩阵,利用预设的代价函数的迭代,优化所述亲和矩阵;令所述图像数据矩阵结合所述亲和矩阵,根据预设的卷积函数得到图卷积层输出的标签矩阵,利用预设的所述代价函数的迭代,优化所述标签函数;将所述卷积层输出的所述标签矩阵与所述图像数据矩阵发送至极限学习神经网络,利用预设的所述代价函数的迭代,优化极限学习神经网络参数矩阵,以用于对所述图像数据进行分类。
全文数据:
权利要求:
百度查询: 北京邮电大学 半监督学习的方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。