首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种最优尺度下半监督流形二值神经网络构建方法 

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。

相关技术
相关技术
相关技术
相关技术