專利名稱：基于同時融合多視角特征及多標(biāo)簽信息的支持向量機分類方法
基于同時融合多視角特征及多標(biāo)簽信息的支持向量機分類方法技術(shù)領(lǐng)域
本發(fā)明屬于標(biāo)簽技術(shù)領(lǐng)域，特別地涉及一種基于同時融合多視角特征及多標(biāo)簽信息的支持向量機分類方法。
背景技術(shù)：
隨著信息時代的到來，各種數(shù)據(jù)以幾何級數(shù)爆發(fā)增長。尤其是在互聯(lián)網(wǎng)領(lǐng)域，海量跨媒體數(shù)據(jù)已是人們關(guān)注和研究的熱點。例如，圖像數(shù)據(jù)結(jié)合文本標(biāo)簽數(shù)據(jù)的內(nèi)容理解和提取在互聯(lián)網(wǎng)信息搜索和數(shù)據(jù)挖掘應(yīng)用方面起到了至關(guān)重要的作用。而其中一個關(guān)鍵就是如何準(zhǔn)確地對具有多種特征的圖像進行內(nèi)容分類。這些特征可以通過各種特征提取技術(shù)得到，比如圖像sift特征提取技術(shù)、HUE圖像顏色特征提取技術(shù)、Gabor圖像紋理提取技術(shù)。 而在文本分析和內(nèi)容分類問題中，一篇體育新聞的文章中往往附有比賽圖片、視頻、聲音等信息，同時這篇文章也可能被翻譯成了其他語言的文字。如何有效地提取和利用這些來自多種信息視角的特征，并且提高數(shù)據(jù)的分類準(zhǔn)確率，成了當(dāng)今計算機數(shù)據(jù)挖掘領(lǐng)域亟待解決的課題。
另一方面，在實際的數(shù)據(jù)挖掘分類問題中，很多情況下數(shù)據(jù)對象在擁有通過不同途徑得到的多視角特征信息的同時，往往會有多個類屬標(biāo)簽與之關(guān)聯(lián)。這些標(biāo)簽反映了目標(biāo)對象的對應(yīng)屬性，是人們對這些數(shù)據(jù)內(nèi)容的概括或?qū)傩缘姆诸悺＠?，在多?biāo)簽圖像數(shù)據(jù)的分類問題中，一幅圖擁有類屬標(biāo)簽“山”、“湖水”、“船”。而一篇談?wù)撎O果公司產(chǎn)品的文章， 可以具有“科技”、“經(jīng)濟”、“數(shù)碼產(chǎn)品”等分類標(biāo)簽。
現(xiàn)有的分類技術(shù)，都只關(guān)注了數(shù)據(jù)的多標(biāo)簽分類問題或是數(shù)據(jù)的多視角信息特征分類的問題，而忽視了如何將多視角信息特征和多標(biāo)簽信息有效融合起來提高分類問題的準(zhǔn)確率。在傳統(tǒng)的多標(biāo)簽分類技術(shù)中，通常是把多標(biāo)簽問題轉(zhuǎn)化為一對多One Vs All(OVA) 的分類模式，即把多標(biāo)簽分類問題分解為多個二分類問題。但在這一多標(biāo)簽問題的分解過程中，沒有考慮到多標(biāo)簽空間中的數(shù)據(jù)關(guān)聯(lián)信息。例如，一個已有內(nèi)容標(biāo)簽“山”、“湖泊”、 “船”的圖片，它的內(nèi)容中有“人”的概率遠(yuǎn)遠(yuǎn)大于有“建筑樓”的概率。傳統(tǒng)的多標(biāo)簽分類器既沒有很好地利用這方面的信息，也沒考慮到利用數(shù)據(jù)多視角特征空間的關(guān)聯(lián)信息和冗余信息。同樣，在現(xiàn)有的多視角信息特征分類技術(shù)中，往往只注意多視角特征在特定標(biāo)簽上的分類一致性，而都忽視了多標(biāo)簽信息對于多視角特征的鑒別選擇作用。例如，“蘋果”標(biāo)簽在分類“紅蘋果”、“綠蘋果”和“紅旗”圖片的時候，會鑒別地選擇形狀特征，而顏色特征在根據(jù)“蘋果”這個概念進行圖片分類時會產(chǎn)生干擾和影響。而且現(xiàn)有的多視角信息特征分類器直接將多種途徑得到的數(shù)據(jù)特征作為分類器的輸入，帶入了很多噪聲干擾和冗余信息，使得分類結(jié)果受到很大影響。
鑒于現(xiàn)有的多標(biāo)簽分類器和多視角特征分類器各自存在的缺點和不足，本發(fā)明提出的鑒別型支持向量機分類方法能夠同時融合多視角特征及多標(biāo)簽信息，把分類過程和特征融合過程結(jié)合起來提高分類準(zhǔn)確度，有效解決了實際數(shù)據(jù)挖掘應(yīng)用中多視角特征、多標(biāo)簽數(shù)據(jù)的智能分類和內(nèi)容識別問題。發(fā)明內(nèi)容
為解決上述問題，本發(fā)明的目的在于提供一種基于同時融合多視角特征及多標(biāo)簽信息的支持向量機，用于提供一種技術(shù)在支持向量機分類的同時，學(xué)習(xí)得到新的數(shù)據(jù)空間里的一個統(tǒng)一的數(shù)據(jù)表達形式。數(shù)據(jù)的這種新的表達形式能夠有效地消除多種特征表達間的冗余，加強相互間的關(guān)聯(lián)輔助信息。由于在學(xué)習(xí)過程中引入了多標(biāo)簽信息的正則項調(diào)節(jié)因子，新的數(shù)據(jù)表達鑒別地選擇了多視角特征，從而進一步提高了分類器的準(zhǔn)確率。
為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案為
一種基于同時融合多視角特征及多標(biāo)簽信息的支持向量機分類方法，包括以下步驟 SlO 至 S30
S10，輸入多視角特征訓(xùn)練數(shù)據(jù)以及每個數(shù)據(jù)所對應(yīng)的多標(biāo)簽信息，建立同時融合多視角特征及多標(biāo)簽信息的支持向量機MVMLSVM分類器的數(shù)學(xué)模型，設(shè)定各個項的對應(yīng)權(quán)重因子的值，其具體包括SlOl至S103，
S101，輸入給定的多視角特征數(shù)據(jù)以及每個數(shù)據(jù)的多標(biāo)簽信息，
權(quán)利要求
1.一種基于同時融合多視角特征及多標(biāo)簽信息的支持向量機分類方法，其特征在于，包括以下步驟SlO至S30 S10，輸入多視角特征訓(xùn)練數(shù)據(jù)以及每個數(shù)據(jù)所對應(yīng)的多標(biāo)簽信息，建立同時融合多視角特征及多標(biāo)簽信息的支持向量機MVMLSVM分類器的數(shù)學(xué)模型，設(shè)定各個項的對應(yīng)權(quán)重因子的值，其具體包括SlOl至S103， S101，輸入給定的多視角特征數(shù)據(jù)以及每個數(shù)據(jù)的多標(biāo)簽信息，x; e R^xl，允 e{—1，+1}, i e {1,2, ...，n}，vG {1,2, ...，V}，lG {1,2,…，L}，其中 L 是標(biāo)簽的種數(shù)，dv是第V個視角特征的維度，W表示數(shù)據(jù)X丨在第I種標(biāo)簽上的類屬關(guān)系，M值為+1表示數(shù)據(jù)<屬于第I種標(biāo)簽，-I表示不屬于，采用矩陣形式來表達數(shù)據(jù)和數(shù)據(jù)所附有的標(biāo)簽信息，分別用Xv，V G {1,2,…，V}和兮來表示，其中，Xv =[x[，…，X:] =M j的每一列I屬于L維的標(biāo)簽空間y，即Y.,. e y5而交的每一行的轉(zhuǎn)置后的列向量表示各個數(shù)據(jù)在第I種標(biāo)簽上的類屬關(guān)系，用Y1表示，
全文摘要
本發(fā)明實施例公開了一種基于同時融合多視角特征及多標(biāo)簽信息的支持向量機分類方法，包括以下步驟輸入多視角特征訓(xùn)練數(shù)據(jù)以及每個數(shù)據(jù)所對應(yīng)的多標(biāo)簽信息，建立同時融合多視角特征及多標(biāo)簽信息的支持向量機分類器的數(shù)學(xué)模型，設(shè)定各個項的對應(yīng)權(quán)重因子的值；訓(xùn)練和學(xué)習(xí)分類器的各個參數(shù)，運用循環(huán)迭代算法更新目標(biāo)優(yōu)化式的各個參數(shù)變量，直到兩次迭代的整體目標(biāo)函數(shù)值之差的絕對值小于預(yù)設(shè)的閾值時停止，并且采用更新計算某個參數(shù)時，固定其他參數(shù)值的策略；用訓(xùn)練得到的分類器，對實際數(shù)據(jù)進行多標(biāo)簽分類或預(yù)測。本發(fā)明用于提供一種技術(shù)在支持向量機分類的同時，學(xué)習(xí)得到新的數(shù)據(jù)空間里的一個統(tǒng)一的數(shù)據(jù)表達形式，提高了分類器的準(zhǔn)確率。
文檔編號G06F17/30GK102982344SQ201210452040
公開日2013年3月20日 申請日期2012年11月12日 優(yōu)先權(quán)日2012年11月12日
發(fā)明者方正, 張仲非 申請人:浙江大學(xué)