一种基于张量模式的多源数据分类优化方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN105913085A(43)申请公布日2016.08.31(21)申请号201610223152.7(22)申请日2016.04.12(71)申请人中国科学院深圳先进技术研究院地址518055广东省深圳市南山区西丽大学城学苑大道1068号(72)发明人王书强刘志华胡勇郭毅可曾德威卢哲(74)专利代理机构深圳市科进知识产权代理事务所(普通合伙)44316代理人郝明琴(51)Int.Cl.G06K9/62(2006.01)权利要求书3页说明书8页附图2页(54)发明名称一种基于张量模式的多源数据分类优化方法及系统(57)摘要本发明涉及一种基于张量模式的多源数据分类优化方法及系统，包括：步骤a：在Map-reduce分布式框架下对多视角数据进行张量积运算，得到高阶张量数据，并根据高阶张量数据构建初始的支持张量机分类模型；步骤b：以支持向量递归特征消除算法在原始空间进行各个视角数据的特征消除，输出各视角数据保留特征的下标数据；步骤c：根据各视角数据保留特征的下标数据对初始的支持张量机分类模型参数进行优化，确定最终的支持张量机分类模型；步骤d：将测试样本输入到支持张量机分类模型进行分类。本发明可以有效提高分类模型的分类精度；且计算复杂度更低，保证分类模型能够识别张量数据中的冗余信息，进一步提高分类模型的分类速度。CN105913085ACN105913085A权利要求书1/3页1.一种基于张量模式的多源数据分类优化方法，包括以下步骤：步骤a：在Map-reduce分布式框架下对多视角数据进行张量积运算，得到高阶张量数据，并根据高阶张量数据构建初始的支持张量机分类模型；步骤b：以支持向量递归特征消除算法在原始空间进行各个视角数据的特征消除，输出各视角数据保留特征的下标数据；步骤c：根据各视角数据保留特征的下标数据对初始的支持张量机分类模型参数进行优化，确定最终的支持张量机分类模型；步骤d：将测试样本输入到支持张量机分类模型进行分类。2.根据权利要求1所述的基于张量模式的多源数据分类优化方法，其特征在于，在所述步骤a中，所述在Map-reduce分布式框架下对多视角数据进行张量积运算，得到高阶张量数据的运算方式包括以下步骤：步骤a1：确定Map过程中向量模式数据x(1)和维数为I的向量特征&张量模式数据X(2)的键值对；步骤a2：执行Map过程，输出x(1)和X(2)的键值对；步骤a3：将Map操作后的结果通过MapReduce编程框架的shuffle阶段传输到Reduce阶段；步骤a4：确定reduce过程中的键值对；所述reduce的输入键值对为Map的输出键值对；步骤a5：reduce过程中，并行计算向量x(1)与X(2)的张量积运算：输出的键值对即为高阶张量的键值对。3.根据权利要求2所述的基于张量模式的多源数据分类优化方法，其特征在于，所述步骤b还包括：在Map-reduce分布式框架上根据交替投影算法迭代优化得出初始的支持张量机分类模型的最优参数。4.根据权利要求3所述的基于张量模式的多源数据分类优化方法，其特征在于，所述根据交替投影算法迭代优化得出初始的支持张量机分类模型的最优参数的算法包括以下步骤：步骤b10：在Map-reduce分布式框架下初始化N阶张量中前(N-1)阶的投影向量，根据支持张量机分类模型求张量的第N阶投影向量；其中，N为高阶张量数据的阶数；步骤b11：确定第N阶投影向量的(key-value)；步骤b12：在Map-reduce分布式框架下更新张量的第N阶投影向量，根据支持张量机分类模型求张量的第(N-1)阶投影向量；步骤b13：确定第N-1阶投影向量的(key-value)；步骤b14：在Map-reduce分布式框架下更新张量的第(N-1)阶投影向量，根据支持张量机分类模型求张量的第(N-2)阶投影向量；步骤b15：在Map-reduce分布式框架下更新张量的第2阶投影向量，根据支持张量机分类模型求张量的第1阶投影向量；步骤b16：循环步骤b10至步骤b15，直到支持张量机分类模型收敛，获得支持张量机分类模型的投影张量和偏移标量。5.根据权利要求1所述的基于张量模式的多源数据分类优化方法，其特征在于，在所述2CN105913085A权利要求书2/3页步骤b中，所述以支持向量递归特征消除算法在原始空间进行各个视角数据的特征消除，输出各视角数据保留特征的下标数据具体包括以下步骤：步骤b20：初始化保留特征的下标数据使保留特征的下标数据对应视角数据中的各个特征；步骤b21：确定保留特征的总数p(v)；步骤b22：计算保留特征对应的权值数据步骤b23：对保留特征的秩确定(key-value)，并计算各个保留特征的秩得分步骤b24：在