申请/专利权人：中国人民解放军军事科学院军事医学研究院

申请日：2023-02-13

公开（公告）日：2024-03-26

公开（公告）号：CN116246712B

主分类号：G16B40/30

分类号：G16B40/30;G16B25/10;G16B20/50;G16H50/70;G06F18/22;G06F18/231

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2023.06.27#实质审查的生效;2023.06.09#公开

摘要：本发明提出了一种带组稀疏约束多模态矩阵联合分解的数据亚型分类方法，能够实现对任意模态间共享‑特异数据结构的挖掘。针对现实数据存在任意模态间数据结构共享的情况，本发明引入组稀疏约束，组稀疏约束是特殊的稀疏约束方法，一般以l1,2范数或l1,∞范数实现，其约束同一组的样本依赖相同的特征，而不同组的样本依赖更为不同的特征。通过将组转换为数据模态，应用组稀疏约束的方法，结合矩阵联合分解中共享‑模态特异的概念，可以实现对任意模态间共享‑特异数据结构的挖掘，在此基础上得到更为合理的聚类效果，其效果在模拟数据和真实乳腺癌数据上得到了验证。

主权项：1.一种带组稀疏约束多模态矩阵联合分解的数据亚型分类方法，其特征在于，包括如下步骤：在多模态数据之间找到一个共享的潜在表示E，并在此基础上进行聚类分析，其中令为n个样本在N个模态下的观测数据集合，由第i个模态下样本的特征向量所构成，i＝1，2...N；找到一组模态特异的基矩阵集合其中是第i个模态的基矩阵，从而第i个模态的数据Xi通过EHi进行重构，其中，k为聚类个数，mi为第i个模态下样本的特征维度；其中，将基矩阵集合的每个数据模态当作一个组，并在此基础上对基矩阵集合施加组稀疏约束，通过定义目标函数和求解目标函数实现；所述目标函数为： 其中为组稀疏约束；j为中间变量，表示矩阵的行索引，取值范围为1～k；在求解过程中，输入为n个样本在N个模态下的观测数据集合组稀疏约束项的系数λ，模型终止条件α以及聚类个数k；所述目标函数的具体求解过程如下：步骤S1，通过奇异值分解方法对模态间共享的子矩阵E和模态特异的基矩阵集合进行初始化，具体步骤如步骤S11-步骤S16所示：步骤S11，设定i初始值为1，E初始值为n×k的全0矩阵；步骤S12，将Xi使用SVD分解为uidivi；步骤S13，令Hi＝vi1：k，·，即vi的前k行；步骤S14，将E+uidi·，1：k的结果赋值给E；步骤S15，若i＜N，则将i+1的值赋值给i，跳转至步骤S12；否则跳转至步骤S16；步骤S16，将EN的结果赋值给E；步骤S2，初始化其他相关变量，设定目标函数损失的变化幅度Δ初始值为1，前一步迭代的目标函数的损失pre_loss初始值为0，当前迭代的目标函数的损失this_loss初始值为0；步骤S3，固定不变，更新E，具体步骤如步骤S31-步骤S36所示：步骤S31，设置i1初始值为1，i1＝1，2…N；中间量XH初始值为n×k的全0矩阵，中间量HH初始值为k×k的全0矩阵；步骤S32，将的结果赋值给XH，上标T表示转置；步骤S33，将的结果赋值给HH；步骤S34，若i1＜N，则将i1+1的值赋值给i1，跳转至步骤S32；否则跳转至步骤S35；步骤S35，求解矩阵逆revH＝HH-1；步骤S36，将XH*revH的结果赋值给E；步骤S4，固定E不变，更新具体步骤如步骤S41-步骤S421所示：步骤S41.设置i2初始值为1，i2＝1，2...N；步骤S42.设置j初始值为1；步骤S43.设置l初始值为1，l＝1,2...k；中间量Ri2j＝Xi2；步骤S44.若l≠j，则将Ri2j-E·，lHi2l，·的结果赋值给Ri2j，跳转至步骤S45，否则直接跳转至步骤S45；步骤S45.若l＜k，则将l+1的值赋值给l，跳转至步骤S44，否则跳转至步骤S46；步骤S46.令中间变量向量V＝E·，jTRi2jλ，M＝|V|表示向量V的长度；步骤S47.对V取绝对值后按降序排列为向量V1＝sortabsV；步骤S48.设定m初始值为1，m＝1,2...M，中间变量count初始值为0；步骤S49.设定p初始值为1，p＝1,2...m，设定中间变量S1初始值为0；步骤S410.将S1+V1p的结果赋值给S1；V1p表示向量V1的第p个元素；步骤S411.若p＜m，则p+1的值赋值给p，跳转至步骤S410，否则跳转至步骤S412；步骤S412.若S1-1m＜V1m，则将m的值赋给count，跳转至步骤S413，否则直接跳转至步骤S413；步骤S413.若m＜M，则将m+1的值赋给m，跳转至步骤S49，否则跳转至步骤S414；步骤S414.若count为0，则设定向量V2为长度与V1相同的零向量，跳转至步骤S419，否则跳转至步骤S415；步骤S415.令中间量V1o表示向量V1的第o个元素，o＝1，2...count；步骤S416.设定m1初始值为1，设定向量V2为与V1完全相同的向量，跳转至步骤S419，否则跳转至步骤S415；m1＝1，2...M；步骤S417.若V2m1≥τ，则令若V2m1≤-τ，则令否则直接跳转至步骤S418；V2m1表示向量V2的第m1个元素；步骤S418.若m1＜M，则将m1+1的值赋给m1，跳转至步骤S417，否则跳转至步骤S419；步骤S419.将V2的值赋给Hi2j，·；步骤S420.若j＜k，则将j+1的值赋给j，跳转至步骤S43，否则跳转至步骤S421；步骤S421.若i2＜N，则将i2+1的值赋给i2，跳转至步骤S42，否则跳转至步骤S5；步骤S5，计算当前目标函数的损失this_loss；步骤S6，计算目标函数损失的变化幅度Δ＝absthis_loss-pre_losspre_loss；步骤S7，将this_loss的值赋给preloss；步骤S8，若Δ≥θ，则跳转至步骤S3，否则计算终止，得到子矩阵E和对子矩阵E应用层次聚类方法进行聚类，得到最终的亚型分类结果。

全文数据：

权利要求：

百度查询： 中国人民解放军军事科学院军事医学研究院 带组稀疏约束多模态矩阵联合分解的数据亚型分类方法

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