龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：西北工业大学
摘要：本发明公开了一种最优尺度下半监督流形二值神经网络构建方法，通过将OLSR方法与二进制卷积结合，有效地保留数据的空间信息，弥补信息损失，从而提高深度特征提取的准确性和效率。通过在OLSR模型中集成尺度项，可以更好地适应不同尺度下的数据，从而提高模型的泛化能力和适应性；采用尺度自学习方法，确保每次迭代都获得最优解，从而加快模型的收敛速度，并提高训练效率。
主权项：1.一种最优尺度下半监督流形二值神经网络构建方法，其特征在于，包括如下步骤：步骤1：数据预处理；将数据集X分成包含向量标签的Xl和包含nu个未知标签的Xu，即X＝[Xl,Xu]，其中nl+nu＝n；定义函数如下： 步骤2：得到最终数据；Q＝signAX＝signA[Xl,Xu]＝sign[AXl,AXu]＝[Ql,Qu]1其中A表示映射矩阵，Ql表示有标签数据的预处理结果，Qu表示未知标签数据的预处理结果；步骤3：定义类别指示矩阵；类别指示矩阵具体如下： 其中，C表示类的数量；步骤4：特征提取OLSR回归模型；设投影矩阵W∈Rm*c，WTW＝I，得到特征提取的OLSR模型如下： 步骤5：具有最佳尺度的正交最小二乘回归模型；由于正交性约束，式4子空间W具有固定尺度；为了解决尺度变化的问题，尺度项α被引入到等式中，使具有最佳尺度的正交最小二乘回归问题表述为： 步骤6：定义标记数据的损失；对标记数据集Ql使用交叉熵损失，损失定义为： 其中Yi表示真实标记值，Y′i是预测标记值，H·表示交叉熵，l表示标记数据的数量；步骤7：定义未标记数据的损失；对于未标记数据，使用与标记数据相同的处理步骤获得未标记数据的预测标签Y′j；同时，使用OLSR学习投影变换矩阵并获得预测标签Y″j；对于Qu，损失定义为： 其中，u表示未标记数据的数量；步骤8：优化总损失函数；总损失函数定义为：L＝LQl+βtLQu7其中βt是平衡两个损失项的系数；βt的公式为： 其中，T1和T2是表示βt变化的超参数，βf表示βt的上限值，t表示模型迭代次数。
全文数据：
权利要求：
百度查询： 西北工业大学 一种最优尺度下半监督流形二值神经网络构建方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号