一種機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的方法及系統(tǒng)，通過將一個(gè)隱藏特征提取項(xiàng)引入到現(xiàn)有的標(biāo)簽一致字典傳播模型框架，提出一個(gè)“描述+分類”模型框架；為了增強(qiáng)數(shù)據(jù)的描述性能，模型將機(jī)器錯(cuò)誤數(shù)據(jù)表示為一個(gè)稀疏重構(gòu)部分，一個(gè)顯著特征部分，一個(gè)重構(gòu)誤差部分；為了增強(qiáng)數(shù)據(jù)的分類性能與效率，將數(shù)據(jù)嵌入一個(gè)特征投影矩陣提取出數(shù)據(jù)的隱藏特征，基于數(shù)據(jù)的隱藏特征進(jìn)行多類線性分類器的訓(xùn)練；為了增強(qiáng)分類器對于機(jī)器錯(cuò)誤數(shù)據(jù)中的噪音和異類數(shù)據(jù)的魯棒性能，對分類器進(jìn)行L2,1范數(shù)正則化。通過針對數(shù)據(jù)的隱藏特征進(jìn)行分類器訓(xùn)練，可快速實(shí)現(xiàn)樣本外數(shù)據(jù)的歸納，不需要引入額外的稀疏重構(gòu)過程，有效的提高了機(jī)器數(shù)據(jù)分類的效率與精準(zhǔn)度。
【專利說明】
-種機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及數(shù)據(jù)挖掘和計(jì)算機(jī)視覺技術(shù)領(lǐng)域，特別設(shè)及一種機(jī)器錯(cuò)誤數(shù)據(jù)描述與 分類的方法及系統(tǒng)。
【背景技術(shù)】
[0002] 隨著科技的飛速發(fā)展，機(jī)械工具在交通業(yè)、制造業(yè)等領(lǐng)域體現(xiàn)出極其重要的價(jià)值， 而不可預(yù)知的機(jī)械故障也能造成極大的損失。由于人工檢測故障費(fèi)時(shí)費(fèi)力，所W機(jī)器錯(cuò)誤 分類技術(shù)(通過計(jì)算機(jī)技術(shù)快速進(jìn)行機(jī)械故障診斷）的發(fā)展有著重大的意義，一旦研究成功 并投入使用，將產(chǎn)生巨大的社會(huì)和經(jīng)濟(jì)效益。計(jì)算機(jī)診斷機(jī)械故障主要依據(jù)故障機(jī)器數(shù)據(jù) 信號異于正常信號，且各部件損壞W及損壞程度不同，其數(shù)據(jù)信號都有區(qū)別。近年來，國內(nèi) 外學(xué)者著眼于運(yùn)一事實(shí)，已在機(jī)器錯(cuò)誤分類技術(shù)上取得大量的成果，其中大部分研究工作 都集中在支持向量機(jī)識別、幾何特征識別、神經(jīng)網(wǎng)絡(luò)識別等，而字典學(xué)習(xí)方法在機(jī)器錯(cuò)誤分 類領(lǐng)域中的應(yīng)用仍較少。
[0003] 鑒于字典學(xué)習(xí)方法已在面部識別、手寫體識別、癌細(xì)胞檢測等領(lǐng)域取得的重大成 功，因此可將該方法擴(kuò)展到機(jī)器故障檢測領(lǐng)域。K-Singular Value DecompositionWSVD) 作為經(jīng)典的字典學(xué)習(xí)算法，通過學(xué)習(xí)一個(gè)重構(gòu)字典，訓(xùn)練得到數(shù)據(jù)的稀疏編碼來表征數(shù)據(jù)。 近些年學(xué)者針對判別型字典的學(xué)習(xí)展開研究，并提出許多經(jīng)典算法，如D-KSVD (Discriminative K-SVD)、LC-KSVD化abel Consistent K-SVD)等。D-KSVD通過引入訓(xùn)練數(shù) 據(jù)的標(biāo)簽信息學(xué)到一個(gè)判別字典，有效保持字典各項(xiàng)與數(shù)據(jù)標(biāo)簽的內(nèi)在聯(lián)系，并計(jì)算得到 線性分類器，可對數(shù)據(jù)進(jìn)行分類;LC-KSVD在D-KSVD的基礎(chǔ)上，引入一個(gè)判別稀疏編碼錯(cuò)誤 項(xiàng)，使得判別字典的誤差最小化。但是，上述方法在處理樣本外數(shù)據(jù)的分類問題時(shí)，都需要 先使用訓(xùn)練過程中得到的字典對新來樣本進(jìn)行處理，得到新來樣本的稀疏編碼，進(jìn)而對其 進(jìn)行類別歸納，效率比較低。
[0004] 因此，如何提供一種方便歸納樣本外數(shù)據(jù)類別的字典學(xué)習(xí)方法W降低開銷用于機(jī) 器錯(cuò)誤分類技術(shù)，是本領(lǐng)域技術(shù)人員亟待解決的問題。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提供一種機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的方法及系統(tǒng)，通過針對機(jī)器 數(shù)據(jù)的隱藏特征進(jìn)行分類器訓(xùn)練，可快速實(shí)現(xiàn)待測機(jī)器數(shù)據(jù)的歸納，不需要引入額外的稀 疏重構(gòu)過程，有效的提高了機(jī)器數(shù)據(jù)分類的效率與精準(zhǔn)度。
[0006] 為解決上述技術(shù)問題，本發(fā)明提供一種機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的方法，包括：
[0007] 將原始訓(xùn)練集中樣本機(jī)器數(shù)據(jù)進(jìn)行標(biāo)簽一致字典學(xué)習(xí)，計(jì)算得到特征投影矩陣， 用于樣本機(jī)器數(shù)據(jù)隱藏特征的提取;并利用所述樣本機(jī)器數(shù)據(jù)的隱藏特征，計(jì)算得到線性 多類分類器，用于待測機(jī)器數(shù)據(jù)的處理；
[000引利用所述特征投影矩陣提取所述待測機(jī)器數(shù)據(jù)的隱藏特征；
[0009]將所述待測機(jī)器數(shù)據(jù)的隱藏特征嵌入所述線性多類分類器進(jìn)行分類，輸出所述待 測機(jī)器數(shù)據(jù)的類別歸屬概率，確定所述待測機(jī)器數(shù)據(jù)的類別。
[0010] 其中，將原始訓(xùn)練集中樣本機(jī)器數(shù)據(jù)進(jìn)行標(biāo)簽一致字典學(xué)習(xí)，計(jì)算得到特征投影 矩陣，用于樣本機(jī)器數(shù)據(jù)隱藏特征的提取;并利用所述樣本機(jī)器數(shù)據(jù)的隱藏特征，計(jì)算得到 線性多類分類器，用于待測機(jī)器數(shù)據(jù)的處理，包括：
[0011] 獲取原始訓(xùn)練集中圖像數(shù)據(jù)向量集^
，其中，n是樣本機(jī) 器數(shù)據(jù)的維度，N是樣本機(jī)器數(shù)據(jù)的數(shù)量，且所述圖像數(shù)據(jù)包含有C個(gè)類別標(biāo)簽(c〉2);
[0012] 利用
. |si||〇《Ti，iG{j| j = l，2,…，N}對訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，得到特征投影矩陣和線性多類分 類器；
[0013] 其中，Tl是稀疏約束，
量學(xué)習(xí)得到的字典，K是字典的維度，
是輸入訓(xùn)練集合的稀疏編碼，Pg腰"X"是特征投影矩陣
是稀疏重構(gòu)錯(cuò)誤
是判別稀疏編碼;qi是輸入向量Xi的稀疏編碼，當(dāng)樣本機(jī) 器數(shù)據(jù)&和&屬于不同類別時(shí)，運(yùn)兩個(gè)樣本機(jī)器數(shù)據(jù)在帥對應(yīng)的項(xiàng)為0,同類別時(shí)，對應(yīng)的項(xiàng)為 〇〇3佔(zhàn)，刮）；||谷-^5||^為判別稀疏編碼錯(cuò)誤，〇是該項(xiàng)的權(quán)衡參數(shù)；
是訓(xùn)練得 到的分類器，
是訓(xùn)練數(shù)據(jù)集的類別標(biāo)簽矩陣，
中非零項(xiàng)所在的列數(shù)是訓(xùn)練樣本Xi的類別標(biāo)簽，
婦分類錯(cuò)誤，e是該項(xiàng)的權(quán)衡參 數(shù)；I |WT| h,i是分類器的L2，l正則化項(xiàng)，定義為
，其中0是對角矩 陣，0ii = l/2| |訊1| k,i = l,2,…，t。
[0014] 其中，利用所述特征投影矩陣提取所述待測機(jī)器數(shù)據(jù)的隱藏特征，包括：
[001引將所述待測機(jī)器數(shù)據(jù)Xnew,按照公式fnew = PXnew嵌入到所述特征投影矩陣P，得到所 述待測機(jī)器數(shù)據(jù)的隱藏特征fnew。
[0016] 其中，將所述待測機(jī)器數(shù)據(jù)的隱藏特征嵌入所述線性多類分類器進(jìn)行分類，輸出 所述待測機(jī)器數(shù)據(jù)的類別歸屬概率，確定所述待測機(jī)器數(shù)據(jù)的類別，包括：
[0017] 將所述待測機(jī)器數(shù)據(jù)的隱藏特征輸入到所述線性多類分類器中，輸出所述待測機(jī) 器數(shù)據(jù)的類別歸屬概率；
[0018] 將所述類別歸屬概率最大值對應(yīng)的類別歸屬作為所述待測機(jī)器數(shù)據(jù)的類別。
[0019]其中，還包括：
[0020] 定期更新所述特征投影矩陣及所述線性多類分類器。
[0021] 本發(fā)明還提供一種機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的系統(tǒng)，包括：
[0022] 訓(xùn)練模塊，用于將原始訓(xùn)練集中樣本機(jī)器數(shù)據(jù)進(jìn)行標(biāo)簽一致字典學(xué)習(xí)，計(jì)算得到 特征投影矩陣，用于樣本機(jī)器數(shù)據(jù)隱藏特征的提取;并利用所述樣本機(jī)器數(shù)據(jù)的隱藏特征， 計(jì)算得到線性多類分類器，用于待測機(jī)器數(shù)據(jù)的處理；
[0023] 測試預(yù)處理模塊，用于利用所述特征投影矩陣提取所述待測機(jī)器數(shù)據(jù)的隱藏特 征；
[0024] 測試模塊，用于將所述待測機(jī)器數(shù)據(jù)的隱藏特征嵌入所述線性多類分類器進(jìn)行分 類，輸出所述待測機(jī)器數(shù)據(jù)的類別歸屬概率，確定所述待測機(jī)器數(shù)據(jù)的類別。
[002引其中，所述訓(xùn)練模塊包括：
[0026] 獲取單元，獲取原始訓(xùn)練集中圖像數(shù)據(jù)向量集臺
，其中，n 是樣本機(jī)器數(shù)據(jù)的維度，N是樣本機(jī)器數(shù)據(jù)的數(shù)量，且所述圖像數(shù)據(jù)包含有C個(gè)類別標(biāo)簽k〉 2);
[0027] 計(jì)算單元，利丹
s.t. Msil |o《Ti，iG{j| j = l，2,…，N}對訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，得到特征投影矩陣和線性多 類分類器；
[0028] 其中，Tl是稀疏約束，
是學(xué)習(xí)得到的字典，K是字典的維度， _
_ 是輸入訓(xùn)練集合的稀疏編碼，尸e股"X"是特征投影矩陣，II義-化'-巧:-倍 是稀疏重構(gòu)錯(cuò)誤；
是判別稀疏編碼;qi是輸入向量Xi的稀疏編碼，當(dāng)樣本機(jī)
器數(shù)據(jù)&和&屬于不同類別時(shí)，運(yùn)兩個(gè)樣本機(jī)器數(shù)據(jù)在Q中對應(yīng)的項(xiàng)為0,同類別時(shí)，對應(yīng)的項(xiàng)為 c〇s(xi，x^||0-心為判別稀疏編碼錯(cuò)誤，a是該項(xiàng)的權(quán)衡參數(shù)； 到的分類器，
量訓(xùn)練數(shù)據(jù)集的類別標(biāo)簽矩陣 中非零項(xiàng)所在的列數(shù)是訓(xùn)練樣本Xi的類別標(biāo)簽
為分類錯(cuò)誤，e是該項(xiàng)的權(quán)衡參 數(shù)；I |WT| ki是分類器的L2，l正則化項(xiàng)，定義關(guān)
，其中0是對角矩 陣，〇ii = l/2| |訊1| |2，i = l，2,…，t。
[0029] 其中，所述測試預(yù)處理模塊為將所述待測機(jī)器數(shù)據(jù)Xnew，按照公式fnew = PXnew嵌入 到所述特征投影矩陣P，得到所述待測機(jī)器數(shù)據(jù)的隱藏特征fnew的模塊。
[0030] 其中，所述測試模塊包括：
[0031] 線性多類分類器單元，用于將所述待測機(jī)器數(shù)據(jù)的隱藏特征輸入到所述線性多類 分類器中，輸出所述待測機(jī)器數(shù)據(jù)的類別歸屬概率；
[0032] 類別確定單元，用于將所述類別歸屬概率最大值對應(yīng)的類別歸屬作為所述待測機(jī) 器數(shù)據(jù)的類別。
[0033] 其中，還包括：
[0034] 更新模塊，用于定期更新所述特征投影矩陣及所述線性多類分類器。
[0035] 本發(fā)明所提供的機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的方法，包括:將原始訓(xùn)練集中樣本機(jī) 器數(shù)據(jù)進(jìn)行標(biāo)簽一致字典學(xué)習(xí)，計(jì)算得到特征投影矩陣，用于樣本機(jī)器數(shù)據(jù)隱藏特征的提 取;并利用所述樣本機(jī)器數(shù)據(jù)的隱藏特征，計(jì)算得到線性多類分類器，用于待測機(jī)器數(shù)據(jù)的 處理;利用所述特征投影矩陣提取所述待測機(jī)器數(shù)據(jù)的隱藏特征;將所述待測機(jī)器數(shù)據(jù)的 隱藏特征嵌入所述線性多類分類器進(jìn)行分類，輸出所述待測機(jī)器數(shù)據(jù)的類別歸屬概率，確 定所述待測機(jī)器數(shù)據(jù)的類別；
[0036] 經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，該方法通過將一個(gè)隱藏特征提取項(xiàng) 引入到現(xiàn)有的標(biāo)簽一致字典傳播模型框架，提出一個(gè)"描述+分類"模型框架;為了增強(qiáng)數(shù)據(jù) 的描述性能，模型將機(jī)器錯(cuò)誤數(shù)據(jù)表示為一個(gè)稀疏重構(gòu)部分，一個(gè)顯著特征部分，W及一個(gè) 重構(gòu)誤差部分;為了增強(qiáng)數(shù)據(jù)的分類性能與效率，將數(shù)據(jù)嵌入一個(gè)特征投影矩陣提取出數(shù) 據(jù)的隱藏特征，進(jìn)而基于數(shù)據(jù)的隱藏特征進(jìn)行多類線性分類器的訓(xùn)練;通過針對數(shù)據(jù)的隱 藏特征進(jìn)行分類器訓(xùn)練，可快速實(shí)現(xiàn)樣本外數(shù)據(jù)的歸納，不需要引入額外的稀疏重構(gòu)過程， 有效的提高了機(jī)器數(shù)據(jù)分類的效率與精準(zhǔn)度。
【附圖說明】
[0037] 為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發(fā)明的實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可W根據(jù) 提供的附圖獲得其他的附圖。
[0038] 圖1為本發(fā)明實(shí)施例公開的一種機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的方法流程圖；
[0039] 圖2為本發(fā)明實(shí)施例公開的一種機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的系統(tǒng)的結(jié)構(gòu)框圖。
【具體實(shí)施方式】
[0040] 本發(fā)明的核屯、是提供一種機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的方法及系統(tǒng)，通過針對機(jī)器 數(shù)據(jù)的隱藏特征進(jìn)行分類器訓(xùn)練，可快速實(shí)現(xiàn)待測機(jī)器數(shù)據(jù)的歸納，不需要引入額外的稀 疏重構(gòu)過程，有效的提高了機(jī)器數(shù)據(jù)分類的效率與精準(zhǔn)度。
[0041] 為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例 中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是 本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員 在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0042] 本發(fā)明在兩個(gè)機(jī)器數(shù)據(jù)集的數(shù)據(jù)庫進(jìn)行了測試：Synthetic machine dataset和 Rolling bearing fault dataseteSyn1:hetic數(shù)據(jù)庫共有960個(gè)樣本，其中包含4個(gè)類別，每 個(gè)類別有240個(gè)樣本;Rol 1 ing bearing數(shù)據(jù)庫包含4個(gè)機(jī)器數(shù)據(jù)集，本發(fā)明選取其中的IHP、 2HP和3HP進(jìn)行測試，1HP、2HP和3HP都包含800個(gè)樣本，其中包含10個(gè)類別，每個(gè)類別80個(gè)樣 本。運(yùn)些數(shù)據(jù)庫從多方面收集，因而測試結(jié)果具有普遍說明性。
[0043] 請參考圖1，圖1為本發(fā)明實(shí)施例所提供的機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的方法的流程 圖；該方法可W包括：
[0044] S100、將原始訓(xùn)練集中樣本機(jī)器數(shù)據(jù)進(jìn)行標(biāo)簽一致字典學(xué)習(xí)，計(jì)算得到特征投影 矩陣，用于樣本機(jī)器數(shù)據(jù)隱藏特征的提取;并利用所述樣本機(jī)器數(shù)據(jù)的隱藏特征，計(jì)算得到 線性多類分類器，用于待測機(jī)器數(shù)據(jù)的處理；
[0045] 其中，原始訓(xùn)練集中樣本機(jī)器數(shù)據(jù)可W是圖像數(shù)據(jù)向量集合;且為了方便歸納樣 本外數(shù)據(jù)的類別即待測機(jī)器數(shù)據(jù)的類別，通過字典學(xué)習(xí)方法計(jì)算得到特征投影矩陣，W降 低開銷。上述步驟的具體過程可W是：
[0046] 獲取原始訓(xùn)練集中圖像數(shù)據(jù)向量集合
，其中，n是樣本機(jī) 器數(shù)據(jù)的維度，N是樣本機(jī)器數(shù)據(jù)的數(shù)量，且所述圖像數(shù)據(jù)包含有C個(gè)類別標(biāo)簽(c〉2);
[0047] 利用
|si||〇《Ti，iG{j| j = l，2,…，N}對訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，得到特征投影矩陣和線性多類分 類器；
[0048] 其中，Tl是稀疏約束，使得每個(gè)訓(xùn)練樣本的稀疏編碼有不多于Tl的非零項(xiàng)，
是學(xué)習(xí)得到的字典，K是字典的維度，…如]€ ITXW是輸入訓(xùn)練集 合的稀疏編碼，戶E化"X"是特征投影矩陣，…如]e 是判別稀疏編碼;qi是輸入向 量Xi的稀疏編碼，當(dāng)樣本機(jī)器數(shù)據(jù)Xi和Xj屬于不同類別時(shí)，運(yùn)兩個(gè)樣本機(jī)器數(shù)據(jù)在Q中對應(yīng) 的項(xiàng)為0,同類別時(shí)，對應(yīng)的項(xiàng)為COS(Xi，Xj);例如，= 包含3個(gè)類別的數(shù)據(jù)，X1，X2屬于 類別1，X3，X4屬于類別2，X5，X6屬于類別3，Q可定義為：
[0049]

[0050] Il餘得到的分類器，吸"W是訓(xùn)練數(shù)據(jù)集的類別標(biāo) 簽矩陣 中非零項(xiàng)所在的列數(shù)是訓(xùn)練樣本Xi的類別標(biāo)簽，I護(hù) 是稀疏重構(gòu)錯(cuò)誤;Il谷-泌I居為判別稀疏編碼錯(cuò)誤，a是該項(xiàng)的權(quán)衡參數(shù);Il好-為分類錯(cuò) 誤，e是該項(xiàng)的權(quán)衡參數(shù);||護(hù)| ki是分類器的L2，l正則化項(xiàng)，定義為|Kr|。=幻|".'[ =2".(WOW')， 其中O是對角矩陣，Oii=l/2||wl||2，i = l，2，…，t。a、0、丫是各項(xiàng)的權(quán)衡參數(shù)。通過同時(shí)最 小化各項(xiàng)誤差，最后可得到最優(yōu)的特征投影矩陣P，判別的可重構(gòu)字典D，W及線性分類器W， PX即為訓(xùn)練數(shù)據(jù)的隱藏特征。
[0化1] 基于此，上式可改寫為：
[0化2]
[0053] s.t. I |si| |o《Ti，iG{j| j = l，2，...，N}
[0054] 由于在該模型中，包含多個(gè)主要變量(D，S，P，W)，且各變量相互影響，因此不能直 接解決。因此求解該問題需要用到最優(yōu)解策略，具體為：
[0055] 在SlOO步驟得到初始化的特征投影分類器P后，通過移除獨(dú)立于S的各項(xiàng)可得如下 目標(biāo)函數(shù)：
[0化6]
[0057] Subjl |si| |o《Ti，iG{j| j = l，2，...，N}
[005引計(jì)貸時(shí)，該問顆可掉化為化下問顆：
[0化9]
[0060] Subjl |si| |o《Ti，iG{j| j = l，2，...，N}
[0061] 假定
，原問題轉(zhuǎn)化為：
[0062]
[0063]
[0064] 該問題可歸結(jié)為KSVD問題，可有效的利用KSVD算法找到最優(yōu)解，即dk和它相應(yīng)的 系數(shù)讀（S第K行)在同一時(shí)刻更新，
，4和化中舍棄0項(xiàng)之后的表示為巧 巧每，可通過W下方法得到dk和巧：
[00 化]
[0066] 其中，與可利用SVD分解得到
。得 到特征投影矩陣P之后，通過移除獨(dú)立于P的各項(xiàng)可得如下目標(biāo)函數(shù)：
[0067]
[006引通過'一。= 0，可計(jì)算得到：
[0069] P = (I N+ewT^O -1 (YxT+削T冊T) (XXT 廠 1
[0070] 其中Y=X-DS。通過パ戶，訓(xùn)'=日，可計(jì)算得到：
[0071] W=0HXTpT(0PXXTpT+Y〇)-i
[0072] 獲得P和W之后，可用于更新字典。
[0073] 重復(fù)迭代上述步驟直至得到最優(yōu)線性分類器。
[0074] 下面具體提供一種機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類算法：
[0075] 輸入:原始數(shù)據(jù)矩陣義e吸"XW ,控制參數(shù)a，e，丫，稀疏約束Tl,字典維度K，W及H，Q
[0076] 輸出：D，S，P，W
[0077] 1).計(jì)算pW，D(W，A(W，s(°，W(W :
[007引用LC-KSVD訓(xùn)練字典的方法計(jì)算D(W保持各樣本類別與字典項(xiàng)目之間的相關(guān)性；
[0079] 用OMP算法計(jì)算X的稀疏編碼SW ;
[0080] 初始化A(O)，A(O) = qWxT(xWx(Wt+入I )-1.
[00川初始化 pW，p(0) = (x-DWsW)xT(xxT+Mi)-i;
[0082] 初始化W(O)，W(W =H(pWx)T(pWxxTpWT+入2l )-1;
[0083] 3).計(jì)算D，P，W，S
[0084] 當(dāng)t = 0時(shí):KSVD的迭代次數(shù)-1
[0085] 初始化
[0086] 用KSVD算法通過解決如下問題更新Dn J""和SnJ"":
[0087]
[008引得 D("i)與 S("i)，更新 P(W) = QN+卵(t)Vt))-i(Y(t)xT+卵(t"HXT)(XXT)-i，更新 W = P HxTp(W)T(邸("i)XXTp("i)T+ 丫 0(t) )-1;
[0089] 繼續(xù)迭代訓(xùn)練，t = t+l。
[0090] S110、利用所述特征投影矩陣提取所述待測機(jī)器數(shù)據(jù)的隱藏特征；
[0091] 其中，該步驟即利用訓(xùn)練生成的特征投影矩陣提取待測機(jī)器數(shù)據(jù)的隱藏特征，具 體過程可W如下：
[0092] 將所述待測機(jī)器數(shù)據(jù)Xnew,按照公式fnew = PXnew嵌入到所述特征投影矩陣P，得到所 述待測機(jī)器數(shù)據(jù)的隱藏特征fnew，為步驟120的分類做準(zhǔn)備。
[0093] S120、將所述待測機(jī)器數(shù)據(jù)的隱藏特征嵌入所述線性多類分類器進(jìn)行分類，輸出 所述待測機(jī)器數(shù)據(jù)的類別歸屬概率，確定所述待測機(jī)器數(shù)據(jù)的類別。
[0094] 其中，該步驟即利用訓(xùn)練生成的線性多類分類器對待測機(jī)器數(shù)據(jù)進(jìn)行分類，具體 過程可W如下：
[00M]將所述待測機(jī)器數(shù)據(jù)的隱藏特征輸入到所述線性多類分類器中，輸出所述待測機(jī) 器數(shù)據(jù)的類別歸屬概率；
[0096] 將所述類別歸屬概率最大值對應(yīng)的類別歸屬作為所述待測機(jī)器數(shù)據(jù)的類別。
[0097] 其中，即將所述得的機(jī)器數(shù)據(jù)隱藏特征輸入計(jì)算得到線性分類器；
[0098] 利用線性分類器估計(jì)一個(gè)標(biāo)簽向量I=WPxnew;
[0099] Xnew的類別通過計(jì)算
得到。
[0100] 其中，在進(jìn)行機(jī)器數(shù)據(jù)的分類時(shí)，若已經(jīng)存在特征投影矩陣及線性多類分類器時(shí) 不必要執(zhí)行S100,只需要執(zhí)行Slio和S120即可，步驟100僅在第一次使用該實(shí)施例進(jìn)行分類 時(shí)，需要對特征投影矩陣及線性多類分類器進(jìn)行訓(xùn)練。
[0101] 基于上述技術(shù)方案，本發(fā)明實(shí)施例提供的機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的方法，該方 法通過將一個(gè)隱藏特征提取項(xiàng)引入到現(xiàn)有的標(biāo)簽一致字典傳播模型框架，提出一個(gè)"描述+ 分類"模型框架。為了增強(qiáng)數(shù)據(jù)的描述性能，模型將機(jī)器錯(cuò)誤數(shù)據(jù)表示為一個(gè)稀疏重構(gòu)部 分，一個(gè)顯著特征部分，W及一個(gè)重構(gòu)誤差部分;為了增強(qiáng)數(shù)據(jù)的分類性能與效率，將數(shù)據(jù) 嵌入一個(gè)特征投影矩陣提取出數(shù)據(jù)的隱藏特征，進(jìn)而基于數(shù)據(jù)的隱藏特征進(jìn)行線性多類分 類器的訓(xùn)練;進(jìn)一步為了增強(qiáng)分類器對于機(jī)器錯(cuò)誤數(shù)據(jù)中的噪音和異類數(shù)據(jù)的魯棒性能， 對線性多類分類器進(jìn)行L2，l范數(shù)正則化。通過針對數(shù)據(jù)的隱藏特征進(jìn)行線性多類分類器訓(xùn) 練，可快速實(shí)現(xiàn)樣本外數(shù)據(jù)的歸納，不需要引入額外的稀疏重構(gòu)過程，有效的提高了機(jī)器數(shù) 據(jù)分類的效率與精準(zhǔn)度。
[0102 ]基于上述技術(shù)方案，該方法還可W包括：
[0103] 定期更新所述特征投影矩陣及所述線性多類分類器。
[0104] 其中，為了保證機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的效果，需要定期對訓(xùn)練得到的特征投 影矩陣及線性多類分類器進(jìn)行維護(hù)。如利用新的機(jī)器數(shù)據(jù)訓(xùn)練集或者更新之前的訓(xùn)練機(jī)器 數(shù)據(jù)進(jìn)行訓(xùn)練。
[0105] 基于上述技術(shù)方案，本發(fā)明實(shí)施例提供的機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的方法，首先 引入半監(jiān)督的標(biāo)簽傳播算法即標(biāo)簽一致字典學(xué)習(xí)算法作為機(jī)器錯(cuò)誤數(shù)據(jù)預(yù)處理步驟，利用 少量已知機(jī)器數(shù)據(jù)的標(biāo)簽，快速估計(jì)出未知的機(jī)器數(shù)據(jù)的標(biāo)簽，組成分類訓(xùn)練集?；谟?xùn)練 集中的訓(xùn)練機(jī)器數(shù)據(jù)及標(biāo)簽信息，進(jìn)行標(biāo)簽一致的字典學(xué)習(xí)，同時(shí)最小化重構(gòu)錯(cuò)誤、判別稀 疏編碼錯(cuò)誤和分類錯(cuò)誤，計(jì)算得到一個(gè)判別的可重構(gòu)字典，機(jī)器數(shù)據(jù)的稀疏編碼和一個(gè)可 預(yù)測的線性多類分類器，同時(shí)可有效保持字典中各項(xiàng)與機(jī)器數(shù)據(jù)標(biāo)簽之間的內(nèi)在關(guān)系。進(jìn) 而，利用得到的稀疏編碼來表征機(jī)器數(shù)據(jù)的特征，輸入計(jì)算得到的線性多類分類器進(jìn)行預(yù) 測，確定待測機(jī)器數(shù)據(jù)的類別，實(shí)現(xiàn)機(jī)器數(shù)據(jù)的錯(cuò)誤分類。
[0106] 本發(fā)明實(shí)施例提供了機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的方法，通過針對數(shù)據(jù)的隱藏特征 進(jìn)行線性多類分類器訓(xùn)練，可快速實(shí)現(xiàn)樣本外數(shù)據(jù)的歸納。
[0107] 下面對本發(fā)明實(shí)施例提供的機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的系統(tǒng)進(jìn)行介紹，下文描述 的機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的系統(tǒng)與上文描述的機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的方法可相互 對應(yīng)參照。
[0108] 請參考圖2,圖2為本發(fā)明實(shí)施例公開的一種機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的系統(tǒng)的結(jié) 構(gòu)框圖；該系統(tǒng)可W包括：
[0109] 訓(xùn)練模塊100,用于將原始訓(xùn)練集中樣本機(jī)器數(shù)據(jù)進(jìn)行標(biāo)簽一致字典學(xué)習(xí)，計(jì)算得 到特征投影矩陣，用于樣本機(jī)器數(shù)據(jù)隱藏特征的提取;并利用所述樣本機(jī)器數(shù)據(jù)的隱藏特 征，計(jì)算得到線性多類分類器，用于待測機(jī)器數(shù)據(jù)的處理；
[0110] 測試預(yù)處理模塊200,用于利用所述特征投影矩陣提取所述待測機(jī)器數(shù)據(jù)的隱藏 特征；
[0111] 測試模塊300，用于將所述待測機(jī)器數(shù)據(jù)的隱藏特征嵌入所述線性多類分類器進(jìn) 行分類，輸出所述待測機(jī)器數(shù)據(jù)的類別歸屬概率，確定所述待測機(jī)器數(shù)據(jù)的類別。
[0112] 可選的，所述訓(xùn)練模塊100包括：
[0113] 獲取單元，獲取原始訓(xùn)練集中圖像數(shù)據(jù)向量集合.
，其中，n 是樣本機(jī)器數(shù)據(jù)的維度，N是樣本機(jī)器數(shù)據(jù)的數(shù)量，且所述圖像數(shù)據(jù)包含有C個(gè)類別標(biāo)簽k〉 2);
[0114] 計(jì)算單元，利用
s.t. Msil |o《Ti，iG{j| j = l，2,…，N}對訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，得到特征投影矩陣和線性多 類分類器；
[0115] 其中，Tl是稀疏約束，1
是學(xué)習(xí)得到的字典，K是字典的維度，
是輸入訓(xùn)練集合的稀疏編碼，P e腺胃是特征投影矩陣，I義是 稀疏重構(gòu)錯(cuò)誤;…] G膠KXW是判別稀疏編碼;qi是輸入向量Xi的稀疏編碼，當(dāng)樣本機(jī)器 數(shù)據(jù)&和^屬于不同類別時(shí)，運(yùn)兩個(gè)樣本機(jī)器數(shù)據(jù)在Q中對應(yīng)的項(xiàng)為0,同類別時(shí)，對應(yīng)的項(xiàng)為 cosUi^};!食-刈居為判別稀疏編碼錯(cuò)誤，a是該項(xiàng)的權(quán)衡參數(shù);W=[巧...W,,] e吸""是訓(xùn)練得 到的分類器，
是訓(xùn)練數(shù)據(jù)集的類別標(biāo)簽矩陣，
中非零項(xiàng)所在的列數(shù)是訓(xùn)練樣本Xi的類別標(biāo)簽，
3分類錯(cuò)誤，e是該項(xiàng)的權(quán)衡參 數(shù)；I |wT||2,i是分類器的L2，l正則化項(xiàng)，定義關(guān)
其中0是對角矩 陣，〇ii = l/2| |訊1| |2，i = l，2,…，t。
[0116] 可選的，所述測試預(yù)處理模塊200為將所述待測機(jī)器數(shù)據(jù)Xnew，按照公式fnew = PXnew 嵌入到所述特征投影矩陣P，得到所述待測機(jī)器數(shù)據(jù)的隱藏特征fnew的模塊。
[0117] 可選的，所述測試模塊300包括：
[0118] 線性多類分類器單元，用于將所述待測機(jī)器數(shù)據(jù)的隱藏特征輸入到所述線性多類 分類器中，輸出所述待測機(jī)器數(shù)據(jù)的類別歸屬概率；
[0119] 類別確定單元，用于將所述類別歸屬概率最大值對應(yīng)的類別歸屬作為所述待測機(jī) 器數(shù)據(jù)的類別。
[0120] 可選的，基于上述技術(shù)方案，該系統(tǒng)還包括：
[0121] 更新模塊，用于定期更新所述特征投影矩陣及所述線性多類分類器。
[0122] 請參閱表 1，表 1 為本發(fā)明方法和SRC、D-KSVD(Discriminative K-SVD)、LC-KSVD1、 LC-KSVD2化abel Consistent K-SVD)、FDDL方法識別結(jié)果對比表，給出了各方法實(shí)驗(yàn)的平 均和最高識別率W及分類時(shí)間。本例中，參與比較的D-KSVD和LC-KSVD方法(采用各文獻(xiàn)中 算法使用的默認(rèn)參數(shù))使用各自得到的稀疏編碼用于機(jī)器數(shù)據(jù)的特征提取，且分類均采用 標(biāo)準(zhǔn)化線性分類器。試驗(yàn)中，每類數(shù)據(jù)隨機(jī)選取其中的兩個(gè)作為訓(xùn)練數(shù)據(jù)，其他的作為測試 數(shù)據(jù)。
[0123] 表1.本發(fā)明和SRC、D-KSVD、LC-KSVD1和LC-KSVD2方法識別結(jié)果對比
[0124]
[0125] 綜上所述:本發(fā)明公開了 一種機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類方法及系統(tǒng)，通過將一個(gè) 隱藏特征提取項(xiàng)引入到現(xiàn)有的標(biāo)簽一致字典傳播模型框架，提出一個(gè)"描述+分類"模型框 架。為了增強(qiáng)數(shù)據(jù)的描述性能，模型將機(jī)器錯(cuò)誤數(shù)據(jù)表示為一個(gè)稀疏重構(gòu)部分，一個(gè)顯著特 征部分，W及一個(gè)重構(gòu)誤差部分;為了增強(qiáng)數(shù)據(jù)的分類性能與效率，將數(shù)據(jù)嵌入一個(gè)特征投 影矩陣提取出數(shù)據(jù)的隱藏特征，進(jìn)而基于數(shù)據(jù)的隱藏特征進(jìn)行多類線性分類器的訓(xùn)練;為 了增強(qiáng)分類器對于機(jī)器錯(cuò)誤數(shù)據(jù)中的噪音和異類數(shù)據(jù)的魯棒性能，對分類器進(jìn)行L2，l范數(shù) 正則化。通過針對數(shù)據(jù)的隱藏特征進(jìn)行分類器訓(xùn)練，可快速實(shí)現(xiàn)樣本外數(shù)據(jù)的歸納，不需要 引入額外的稀疏重構(gòu)過程，有效的提高了機(jī)器數(shù)據(jù)分類的效率與精準(zhǔn)度。
[0126] 說明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí) 施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見即可。對于實(shí)施例公開的裝置而 言，由于其與實(shí)施例公開的方法相對應(yīng)，所W描述的比較簡單，相關(guān)之處參見方法部分說明 即可。
[0127] 專業(yè)人員還可W進(jìn)一步意識到，結(jié)合本文中所公開的實(shí)施例描述的各示例的單元 及算法步驟，能夠W電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來實(shí)現(xiàn)，為了清楚地說明硬件和 軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。運(yùn)些 功能究竟W硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè) 技術(shù)人員可W對每個(gè)特定的應(yīng)用來使用不同方法來實(shí)現(xiàn)所描述的功能，但是運(yùn)種實(shí)現(xiàn)不應(yīng) 認(rèn)為超出本發(fā)明的范圍。
[0128] 結(jié)合本文中所公開的實(shí)施例描述的方法或算法的步驟可W直接用硬件、處理器執(zhí) 行的軟件模塊，或者二者的結(jié)合來實(shí)施。軟件模塊可W置于隨機(jī)存儲器(RAM)、內(nèi)存、只讀存 儲器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動(dòng)磁盤、CD-ROM、或技術(shù) 領(lǐng)域內(nèi)所公知的任意其它形式的存儲介質(zhì)中。
[0129] W上對本發(fā)明所提供的機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的方法及系統(tǒng)進(jìn)行了詳細(xì)介紹。 本文中應(yīng)用了具體個(gè)例對本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，W上實(shí)施例的說明只是用 于幫助理解本發(fā)明的方法及其核屯、思想。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說， 在不脫離本發(fā)明原理的前提下，還可W對本發(fā)明進(jìn)行若干改進(jìn)和修飾，運(yùn)些改進(jìn)和修飾也 落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 一種機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的方法，其特征在于，包括： 將原始訓(xùn)練集中樣本機(jī)器數(shù)據(jù)進(jìn)行標(biāo)簽一致字典學(xué)習(xí)，計(jì)算得到特征投影矩陣，用于 樣本機(jī)器數(shù)據(jù)隱藏特征的提取;并利用所述樣本機(jī)器數(shù)據(jù)的隱藏特征，計(jì)算得到線性多類 分類器，用于待測機(jī)器數(shù)據(jù)的處理； 利用所述特征投影矩陣提取所述待測機(jī)器數(shù)據(jù)的隱藏特征； 將所述待測機(jī)器數(shù)據(jù)的隱藏特征嵌入所述線性多類分類器進(jìn)行分類，輸出所述待測機(jī) 器數(shù)據(jù)的類別歸屬概率，確定所述待測機(jī)器數(shù)據(jù)的類別。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，將原始訓(xùn)練集中樣本機(jī)器數(shù)據(jù)進(jìn)行標(biāo)簽一 致字典學(xué)習(xí)，計(jì)算得到特征投影矩陣，用于樣本機(jī)器數(shù)據(jù)隱藏特征的提取;并利用所述樣本 機(jī)器數(shù)據(jù)的隱藏特征，計(jì)算得到線性多類分類器，用于待測機(jī)器數(shù)據(jù)的處理，包括： 獲取原始訓(xùn)練集中圖像數(shù)據(jù)向量集合Z ...,Xjv] e 1ΤχΛ?，其中，η是樣本機(jī)器數(shù) 據(jù)的維度，N是樣本機(jī)器數(shù)據(jù)的數(shù)量，且所述圖像數(shù)據(jù)包含有c個(gè)類別標(biāo)簽(c>2);s.t. I |Sl| |〇彡j = l，2,…，N}對訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，得到特征投影矩陣和線 性多類分類器； 其中，T1是稀疏約束，β = 各;是學(xué)習(xí)得到的字典，K是字典的維度， 是輸入訓(xùn)練集合的稀疏編碼，是特征投影矩陣，I尤-AS-KTl 是稀疏重構(gòu)錯(cuò)誤；…和]e Mhv是判別稀疏編碼;qi是輸入向量X1的稀疏編碼，當(dāng)樣本 機(jī)器數(shù)據(jù)^和&屬于不同類別時(shí)，這兩個(gè)樣本機(jī)器數(shù)據(jù)在Q中對應(yīng)的項(xiàng)為0,同類別時(shí)，對應(yīng)的項(xiàng) 為cos( Xl，X判別稀疏編碼錯(cuò)誤，α是該項(xiàng)的權(quán)衡參數(shù);PHw1 ···wK] 是訓(xùn)練 得到的分類器，I訓(xùn)練數(shù)據(jù)集的類別標(biāo)簽矩陣，f 中非零項(xiàng)所在的列數(shù)是訓(xùn)練樣本X1的類別標(biāo)簽為分類錯(cuò)誤，β是該項(xiàng)的權(quán)衡參 數(shù)；I |WT| 12>1是分類器的L2，l正則化項(xiàng)，定義為，其中O是對角矩陣3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，利用所述特征投影矩陣提取所述待測機(jī)器 數(shù)據(jù)的隱藏特征，包括： 將所述待測機(jī)器數(shù)據(jù)Xn?，按照公式fn?=PXn?嵌入到所述特征投影矩陣P，得到所述待 測機(jī)器數(shù)據(jù)的隱藏特征fnew。4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述待測機(jī)器數(shù)據(jù)的隱藏特征嵌入所述 線性多類分類器進(jìn)行分類，輸出所述待測機(jī)器數(shù)據(jù)的類別歸屬概率，確定所述待測機(jī)器數(shù) 據(jù)的類別，包括： 將所述待測機(jī)器數(shù)據(jù)的隱藏特征輸入到所述線性多類分類器中，輸出所述待測機(jī)器數(shù) 據(jù)的類別歸屬概率； 將所述類別歸屬概率最大值對應(yīng)的類別歸屬作為所述待測機(jī)器數(shù)據(jù)的類別。5. 根據(jù)權(quán)利要求1至4任一項(xiàng)所述的方法，其特征在于，還包括： 定期更新所述特征投影矩陣及所述線性多類分類器。6. -種機(jī)器錯(cuò)誤數(shù)據(jù)描述與分類的系統(tǒng)，其特征在于，包括： 訓(xùn)練模塊，用于將原始訓(xùn)練集中樣本機(jī)器數(shù)據(jù)進(jìn)行標(biāo)簽一致字典學(xué)習(xí)，計(jì)算得到特征 投影矩陣，用于樣本機(jī)器數(shù)據(jù)隱藏特征的提取;并利用所述樣本機(jī)器數(shù)據(jù)的隱藏特征，計(jì)算 得到線性多類分類器，用于待測機(jī)器數(shù)據(jù)的處理； 測試預(yù)處理模塊，用于利用所述特征投影矩陣提取所述待測機(jī)器數(shù)據(jù)的隱藏特征； 測試模塊，用于將所述待測機(jī)器數(shù)據(jù)的隱藏特征嵌入所述線性多類分類器進(jìn)行分類， 輸出所述待測機(jī)器數(shù)據(jù)的類別歸屬概率，確定所述待測機(jī)器數(shù)據(jù)的類別。7. 根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述訓(xùn)練模塊包括： 獲取單元，獲取原始訓(xùn)練集中圖像數(shù)據(jù)向量集合，其中，η是樣 本機(jī)器數(shù)據(jù)的維度，N是樣本機(jī)器數(shù)據(jù)的數(shù)量，且所述圖像數(shù)據(jù)包含有c個(gè)類別標(biāo)簽(c>2); 計(jì)算單元，利用I Sl I j = l，2,…，N}對訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，得到特征投影矩陣和線性多類分 類器； 其中，T1是稀疏約束，是學(xué)習(xí)得到的字典，K是字典的維度， S=[馬· ] e是輸入訓(xùn)練集合的稀疏編碼，/> e 是特征投影矩陣，|μτ -謝-是 稀疏重構(gòu)錯(cuò)誤：是判別稀疏編碼;Φ是輸入向量X1的稀疏編碼，當(dāng)樣本機(jī)器 數(shù)據(jù)屬于不同類別時(shí)，這兩個(gè)樣本機(jī)器數(shù)據(jù)在Q中對應(yīng)的項(xiàng)為〇,同類別時(shí)，對應(yīng)的項(xiàng)為為判別稀疏編碼錯(cuò)誤，α是該項(xiàng)的權(quán)衡參數(shù);F=Ovk] eRw是訓(xùn)練得 到的分類器，.好…sir#是訓(xùn)練數(shù)據(jù)集的類別標(biāo)簽矩陣，4 …0，1，HjeMc 中非零項(xiàng)所在的列數(shù)是訓(xùn)練樣本X1的類別標(biāo)簽，為分類錯(cuò)誤，β是該項(xiàng)的權(quán)衡參 數(shù)；I |WT| |2>1是分類器的L2，1正則化項(xiàng)，定義戈其中〇是對角矩 陣，Oii = l/2| Iw1I |2，? = 1，2，··，?。8. 根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述測試預(yù)處理模塊為將所述待測機(jī)器數(shù) 據(jù)Xnm按照公式fnOT=P Xn?嵌入到所述特征投影矩陣P，得到所述待測機(jī)器數(shù)據(jù)的隱藏特征 fnew的模塊。 9 .根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述測試模塊包括： 線性多類分類器單元，用于將所述待測機(jī)器數(shù)據(jù)的隱藏特征輸入到所述線性多類分類 器中，輸出所述待測機(jī)器數(shù)據(jù)的類別歸屬概率； 類別確定單元，用于將所述類別歸屬概率最大值對應(yīng)的類別歸屬作為所述待測機(jī)器數(shù) 據(jù)的類別。10.根據(jù)權(quán)利要求6至9任一項(xiàng)所述的系統(tǒng)，其特征在于，還包括： 更新模塊，用于定期更新所述特征投影矩陣及所述線性多類分類器。
【文檔編號】G06F17/30GK106021525SQ201610352058
【公開日】2016年10月12日
【申請日】2016年5月25日
【發(fā)明人】張召, 江威明, 李凡長, 張莉, 王邦軍
【申請人】蘇州大學(xué)