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：中南民族大学

摘要：本发明公开了一种基于半监督生成对抗网络的文物感知数据缺失值插补方法，包括：步骤1、获取包含文物感知数据的数据集并对其进行预处理，预处理包括对数据集模拟缺失，包括完全随机缺失、随机缺失、非随机缺失；步骤2、针对多种不完整类型的数据集构建缺失值预测的DAE‑SemiGAN模型，并在该模型前加入了降噪自编码器，将预处理后的数据集输入模型中进行训练；步骤3、根据生成的样本集，计算样本集中各个元组之间的相似度，构建相似图，将相似图从无向图转向有向图，得到填充顺序；最后根据模型生成的样本集和填充顺序，对数据集中缺失的数据进行填充。本发明能够处理多种类型数据，且能直接针对不完整数据集进行高效填充。

主权项：1.一种基于半监督生成对抗网络的文物感知数据缺失值插补方法，其特征在于，该方法包括以下步骤：步骤1、获取包含文物感知数据的数据集并对其进行预处理，预处理包括对数据集模拟缺失，模拟缺失的机制包括完全随机缺失、随机缺失、非随机缺失；步骤2、针对多种不完整类型的数据集构建缺失值预测的DAE-SemiGAN模型，并在该模型前加入了降噪自编码器，将预处理后的数据集输入DAE-SemiGAN模型中进行训练，生成与原始数据集相似度最高的样本集；步骤3、根据生成的样本集，计算样本集中各个元组之间的相似度，构建相似图，将相似图从无向图转向有向图，得到填充顺序；最后根据模型生成的样本集和填充顺序，对数据集中缺失的数据进行填充；所述步骤2的方法具体为：步骤2.1、获取经过预处理的包含缺失值的数据集S’，将其转换成向量；步骤2.2、构建DAE-SemiGAN模型；步骤2.3、将向量，传入DAE-SemiGAN模型当中，通过DAE-SemiGAN模型对向量进行特征学习；步骤2.4、通过DAE-SemiGAN模型训练后输出与原始数据集相似度最高的样本集XG；所述步骤2.2构建的DAE-SemiGAN模型具体为：模型的具体结构包括降噪自编码器DAE与添加了y标签的半监督生成对抗网络模型SemiGAN，经过降噪自编码器DAE处理后的向量传入半监督生成对抗网络SemiGAN中，进行模型训练；半监督生成对抗网络SemiGAN为生成式模型，用于生成服从原始数据集分布的新样本，包括一个生成器G和一个判别器D，即当把一个包含缺失值的数据集传入半监督生成对抗网络SemiGAN中，通过生成器G与判别器D的博弈，生成器G最终会生成一份符合原始数据集分布的完整新样本集XG，根据这份完整样本集XG作为缺失值填充的依据。

全文数据：

权利要求：

百度查询： 中南民族大学 基于半监督生成对抗网络的文物感知数据缺失值插补方法