申请/专利权人：扬州大学

申请日：2022-05-18

公开（公告）日：2024-03-26

公开（公告）号：CN114842276B

主分类号：G06V10/77

分类号：G06V10/77;G06V10/80;G06V40/16

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2022.08.19#实质审查的生效;2022.08.02#公开

摘要：本发明公开了一种基于多图融合的典型相关分析的降维方法，该方法针对已有的图嵌入降维算法仅使用单一图结构的问题，提出了一种能够利用多种类型的图揭示数据的内在结构的典型相关分析算法模型。在本发明中，通过构建多种不同的图来描述数据的结构，并且使用图融合框架为每个图赋予权重并且将这些图进行融合成为一个“最佳图”，将融合后的图与典型相关分析模型相结合，通过交替迭代的优化方法求出投影向量并更新多图的权重直至收敛从而得到最终的投影向量，完成降维任务。

主权项：1.一种基于多图融合的典型相关分析的降维方法，其特征在于，包括：步骤1：利用不同的特征提取方法提取训练样本人脸图像的两组特征与其中p与q表示特征的维数，n表示每组特征中的样本个数；对这两组特征进行中心化预处理，再使用主成分分析PCA对这两组特征进行降维和去噪；步骤2：对特征X与特征Y分别构建组内与组间的多个图，构建多图的方法包括以下步骤：步骤2.1：定义一个图用G＝V，E，W来表示，其中υi∈V表示图G中的第i个节点，E是图G中节点边的集合，eij∈E表示节点i到j的边，W表示图G的权重矩阵，如果存在eij∈E，那么存在wij∈W，表示节点i到节点j的权值；对特征X与特征Y分别构建对应的图Gx＝Vx，Ex，Wx与Gy＝Vy，Ey，Wy；步骤2.2：对特征X中的每一个节点υi，i＝1，...，n，计算节点υi与其他节点的欧式距离，并且将这些欧式距离进行由小到大的排序，取前k个节点作为υi节点的k近邻节点，在υi节点与这些节点之间构建边，同时使用不同的方式为wij赋予权重；步骤2.3：对特征X的权重矩阵Wx求和矩阵Dx，其中Dx是一个对角矩阵，它的第i个元素是权重矩阵Wx第i行，即有计算拉普拉斯图Lx＝Dx-Wx，拉普拉斯图Lx是特征X的一个组内图；步骤2.4：使用步骤2.3与步骤2.4同样的过程对特征Y构建组内拉普拉斯图Ly，并且计算组间拉普拉斯图L＝D-W，其中D是一个对角矩阵，它的第i个元素Dii是权重矩阵W第i行的和，即符号表示点积；步骤2.5：更改k的取值与赋予权重的方法，重复步骤2.2至步骤2.4构建m个组内与组间的拉普拉斯图，即得到组内图与组间图[L1，...，Lm]；步骤3：将特征X与特征Y的组内图分别平均融合，给每个组间图赋予一个初始权重进行融合，将三个融合后的图嵌入到CCA模型中，将它称为MGCCA，使用MGCCA为特征X与特征Y降维，并且通过交替迭代优化的方法不断优化投影矢量集与多图的权重，最终得到投影至MGCCA子空间的数据集；步骤4：将原始特征X与特征Y用求得的投影矢量集进行投影，得到降维后的特征；步骤5：使用降维后的特征在分类器中完成人脸图像识别任务。

全文数据：

权利要求：

百度查询： 扬州大学 一种基于多图融合的典型相关分析的降维方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD