(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211221964.X (22)申请日 2022.10.08 (71)申请人 西安交通大 学 地址 710049 陕西省西安市碑林区咸宁西 路28号 (72)发明人 王飞　王一诺　郭宇　张雪涛　 孙源　张秋光　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 房鑫 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) (54)发明名称 自适应图约束典型相关分析的多视图特征 融合方法及系统 (57)摘要 一种自适应图约束典型相关分析的多视图 特征融合方法及系统， 包括进行结构化图的学 习， 求解低维数据源间的相似关系， 并通过引入 对拉普拉斯矩阵秩的约束， 使结构化图中的连通 分量个数与数据类别数相同； 通过得到的结构化 图来约束多视图典型相关分析， 得到新的无监督 多视图特征学习目标函数， 并通过交替优化的方 法进行求解， 实现多视图特征融合。 本发明直接 对低维一致性特征构图， 避免了对每个视图数据 构图并融合的步骤， 在参数更少、 更容易使用的 同时也能保持良好的降维效果； 通过引入对拉普 拉斯矩阵秩的约束， 可直接学习得到一个能反应 数据间整体相似关系的 图结构， 图中连通分量数 和数据类别数相等， 可提升后续聚类或分类任务 的性能。 权利要求书3页 说明书10页 附图2页 CN 115439724 A 2022.12.06 CN 115439724 A 1.一种自适应图约束典型相关 分析的多视图特 征融合方法， 其特 征在于， 包括： 进行结构化图的学习， 求解低维数据源间的相似关系， 并通过引入对拉普拉斯矩阵秩 的约束， 使结构化图中的连通分量个数与数据类别数相同； 通过得到的结构化图来约束多视图典型相关分析， 得到新的无监督多视图特征学习目 标函数， 并通过交替优化的方法进行求 解， 实现多视图特 征融合。 2.根据权利要求1所述自适应图约束典型相关分析的多视图特征融合方法， 其特征在 于， 所述进 行结构化图的学习， 求解低维数据源间的相似关系， 并通过引入对拉普拉斯矩阵 秩的约束， 使结构化图中的连通分量个数与数据类别数相同具体包括如下步骤： 令G∈RN×N为图结构对应 的相似度矩阵， 用G中的元素gij表示两个低维数据源si与sj为 相邻节点的可能性， 若si和sj之间的欧氏距离越近， 则二 者关系越紧密； 加入正则项避免平凡解的出现， 加 入对拉普拉斯矩阵秩的约束rank(LG)＝N‑C， 使得到 的图结构中恰好包 含数据类别数目个连通分量， 构造以下优化问题求 解G： s.t.rank(LG)＝N‑C,G≥0, 式中， LG为与相似度矩阵G对应的拉普拉斯矩阵， C为数据类别个数， gi为G的行向量。 3.根据权利要求2所述自适应图约束典型相关分析的多视图特征融合方法， 其特征在 于， 所述新的无监 督多视图特 征学习目标函数的表达式如下： s.t.rank(LG)＝N‑C,G≥0, SST＝I 式中， 为需要提取特征的多视图数据， 为多视图数 据对应的投影矩阵， S∈Rd×N为多视图数据的一致性特征， M≥2， Dm为第m个视图数据样本的 维度， N为数据集样本的个数， d为降维后的数据维度。 4.根据权利要求3所述自适应图约束典型相关分析的多视图特征融合方法， 其特征在 于， 令σi(LG)为矩阵LG中第i个最小的特征值， σi(LG)非负， 则所述新的无监督多视图特征学 习目标函数的表达式等 价表示为： s.t.G≥0, SST＝I 当γ足够大时， 最优解使表达式最后一项为0， 满足约束条件ran k(LG)＝N‑C； 又有 其中F∈RN×C为辅助变量， 则所述新的无监督 多视图特 征学习目标函数的表达式又表示 为： 权　利　要　求　书 1/3 页 2 CN 115439724 A 2s.t.G≥0, SST＝I,FTF＝I。 5.根据权利要求4所述自适应图约束典型相关分析的多视图特征融合方法， 其特征在 于， 所述通过 交替优化的方法进 行求解时， 在 优化过程中每次都只把一个变量看作未知， 而 其余变量看作已知， 用拉格朗日乘数法进行求 解， 如此交替进行优化， 直至目标函数收敛。 6.根据权利要求5所述自适应图约束典型相关分析的多视图特征融合方法， 其特征在 于： 固定无监 督多视图特 征学习目标函数的表达式 中的变量G,F， 求 解Um和S： 此时， 将原优化问题转 化为： 对Um求偏导并置为0， 得到： 引入中间变量， 得到： 对C进行特征分解， 则S由C最大的ρ 个特征值对应的特征向量构造而成； 将求得的S代回 Um的表达式， 则求得对应的Um。 7.根据权利要求5所述自适应图约束典型相关分析的多视图特征融合方法， 其特征在 于： 固定无监 督多视图特 征学习目标函数的表达式 中的变量G,Um和S， 求解F： 此时， 原优化问题转 化为： minFTr(FTLGF) s.t.FTF＝I 通过拉格朗日乘数法， 将这一问题转化为特征分解问题， F由LG的C个最小的特征值对应 的特征向量构成。 8.根据权利要求5所述自适应图约束典型相关分析的多视图特征融合方法， 其特征在 于： 固定无监 督多视图特 征学习目标函数的表达式 中的变量F,Um和S， 求解G： 此时， 原优化问题转 化为： s.t.G≥0, 展开上式， 根据K KT条件求得最优解 为： 其中 假设最优解gi中有k个非零权　利　要　求　书 2/3 页 3 CN 115439724 A 3