一種魯棒機(jī)器錯(cuò)誤檢索方法與系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及數(shù)據(jù)挖掘及計(jì)算機(jī)視覺技術(shù)領(lǐng)域，具體來(lái)說，設(shè)及一種魯椿機(jī)器錯(cuò)誤 檢索方法與系統(tǒng)。
【背景技術(shù)】
[0002] 隨著計(jì)算機(jī)技術(shù)和智能化的不斷發(fā)展，機(jī)器錯(cuò)誤分類已經(jīng)發(fā)展成為數(shù)據(jù)挖掘中非 常重要的一個(gè)研究課題。機(jī)器錯(cuò)誤分類技術(shù)通過計(jì)算機(jī)將機(jī)器數(shù)據(jù)電子化，然后分析數(shù)據(jù) 結(jié)構(gòu)，獲取數(shù)據(jù)特征，在機(jī)械故障診斷等領(lǐng)域有著重大的意義，一旦研究成功并投入應(yīng)用， 將產(chǎn)生巨大的社會(huì)和經(jīng)濟(jì)效益。
[0003] 目前的大部分研究工作都集中在全監(jiān)督或者無(wú)監(jiān)督方法用于提取機(jī)器數(shù)據(jù)特征 進(jìn)行機(jī)器錯(cuò)誤分類，且也已取得一定的成果。但是真實(shí)世界中的機(jī)器數(shù)據(jù)通常是少量有標(biāo) 簽，而大多數(shù)無(wú)標(biāo)簽，大多數(shù)研究表明全監(jiān)督方法用于數(shù)據(jù)分類優(yōu)于無(wú)監(jiān)督方法，但應(yīng)用全 監(jiān)督方法獲取所有數(shù)據(jù)標(biāo)簽需要很大的開銷，因此如何有效利用機(jī)器數(shù)據(jù)中的標(biāo)簽提高分 類精度是需要深入探討的問題。
[0004] 近年來(lái)，K-SVD和D-KSVD值iscriminativeK-SVD)等經(jīng)典的字典學(xué)習(xí)算法可通過 學(xué)習(xí)一個(gè)重構(gòu)的字典，訓(xùn)練得到數(shù)據(jù)集的稀疏編碼來(lái)表征數(shù)據(jù)的特征，并計(jì)算得到線性分 類器，可對(duì)數(shù)據(jù)進(jìn)行分類。但當(dāng)選取的訓(xùn)練數(shù)據(jù)樣本較少時(shí)，數(shù)據(jù)的特征未能精確的表征， 所W分類的精度很低。為了克服此缺點(diǎn)，它們的推廣LC-KSVD(L油elConsistentK-SVD) 被提出，當(dāng)已知全部數(shù)據(jù)樣本的標(biāo)簽，LC-KSVD在學(xué)習(xí)判別的可重構(gòu)字典時(shí)，有效的保持字 典各項(xiàng)與數(shù)據(jù)標(biāo)簽的內(nèi)在聯(lián)系，使得即使訓(xùn)練樣本較少，通過學(xué)到的字典訓(xùn)練得到的稀疏 編碼也能最大程度的表征數(shù)據(jù)的特征，從而通過計(jì)算得到的線性分類器精確的對(duì)機(jī)器錯(cuò)誤 數(shù)據(jù)進(jìn)行分類。LC-KSVD的目標(biāo)是用全監(jiān)督的方法去對(duì)數(shù)據(jù)進(jìn)行分類，但獲得全部數(shù)據(jù)標(biāo)簽 需要很大的開銷。
[0005] 因此，提供一種方便獲得數(shù)據(jù)標(biāo)簽的機(jī)器錯(cuò)誤分類方法W降低開銷，是本領(lǐng)域技 術(shù)人員亟待解決的問題。

【發(fā)明內(nèi)容】

[0006] 有鑒于此，本發(fā)明提供了一種魯椿機(jī)器錯(cuò)誤檢索方法及系統(tǒng)，W克服現(xiàn)有技術(shù)中 獲得數(shù)據(jù)標(biāo)簽開銷大的問題。
[0007] 為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：
[0008] -種魯椿機(jī)器錯(cuò)誤檢索方法，包括：
[0009] 利用標(biāo)簽預(yù)測(cè)方法通過直推式方式估計(jì)得到訓(xùn)練集中的未標(biāo)定樣本數(shù)據(jù)的類別 標(biāo)簽，生成包括所有有標(biāo)定的樣本數(shù)據(jù)的新訓(xùn)練集；
[0010] 根據(jù)所述新訓(xùn)練集中的機(jī)器錯(cuò)誤數(shù)據(jù)及其標(biāo)簽信息，進(jìn)行標(biāo)簽一致字典學(xué)習(xí)，得 到判別稀疏編碼，利用所述判別系數(shù)編碼構(gòu)造自適應(yīng)權(quán)重系數(shù)，得到自適應(yīng)重構(gòu)系數(shù)矩陣， 根據(jù)所述自適應(yīng)重構(gòu)系數(shù)矩陣得到一個(gè)投影分類器，利用所述投影分類器對(duì)訓(xùn)練集中的未 標(biāo)定的樣本數(shù)據(jù)的類別信息進(jìn)行更新；
[0011] 通過多次迭代訓(xùn)練，得到一個(gè)判別的可重構(gòu)字典，一個(gè)機(jī)器錯(cuò)誤數(shù)據(jù)的判別稀疏 編碼，W及一個(gè)最優(yōu)的投影分類器；
[0012] 利用所述最優(yōu)的投影分類器完成對(duì)待測(cè)機(jī)器錯(cuò)誤數(shù)據(jù)的類別預(yù)測(cè)和檢索分類，得 到所述測(cè)試集中待測(cè)數(shù)據(jù)的軟類別標(biāo)簽，根據(jù)所述軟類別標(biāo)簽中的概率最大值找到對(duì)應(yīng)的 位置，確定測(cè)試樣本的類別，得到所述機(jī)器錯(cuò)誤數(shù)據(jù)的魯椿分類。
[0013] 優(yōu)選地，利用標(biāo)簽預(yù)測(cè)方法通過直推式方式估計(jì)得到訓(xùn)練集中的未標(biāo)定樣本數(shù)據(jù) 的類別標(biāo)簽前還包括：
[0014] 獲取原始的樣本數(shù)據(jù)集合，將所述樣本數(shù)據(jù)集合劃分為訓(xùn)練集和測(cè)試集，所述訓(xùn) 練集中包含已標(biāo)記的訓(xùn)練樣本和未標(biāo)記的訓(xùn)練樣本，所述已標(biāo)記的訓(xùn)練樣本和所述未標(biāo)記 的訓(xùn)練樣本的機(jī)器數(shù)據(jù)向量集合義=[式，式;]e膝n是機(jī)器數(shù)據(jù)的維度，1是已標(biāo)記 訓(xùn)練樣本的數(shù)量，U是未標(biāo)記訓(xùn)練樣本數(shù)量，其中包含有c(c〉2)個(gè)類別標(biāo)簽的訓(xùn)練樣本集 Z王=h，X2，...，刮e吸和無(wú)任何標(biāo)簽的訓(xùn)練樣本集而=[和1，乂W，...，相,,]€吸"<"，其中 任意向量X, €阪為機(jī)器數(shù)據(jù)樣本，1+U=N，所述測(cè)試集中的測(cè)試樣本全部未標(biāo)記。
[0015] 優(yōu)選地，根據(jù)所述新訓(xùn)練集中的機(jī)器錯(cuò)誤數(shù)據(jù)及其標(biāo)簽信息，進(jìn)行標(biāo)簽一致字典 學(xué)習(xí)包括；預(yù)設(shè)D為學(xué)習(xí)得到的所述可重構(gòu)字典，S是訓(xùn)練集的所述判別稀疏編碼，AS為所 述自適應(yīng)權(quán)重編碼，P代表一個(gè)所述投影分類器；
[0016]
[0017]Subjl|sj|〇《Ti，iG{j|j= 1，2，...，N}
[001引其中，||X-說?底是重構(gòu)誤差，。=[4…屯-]€熙"-，Ti是稀疏約束，叫皮xw，[001引 Si定義如下；
[0020]
[00川 ||0-的I丘為判別稀疏編碼誤差，其中0 = [A…如]€化KXW為訓(xùn)練數(shù)據(jù)集的判別稀 疏編碼，a是該項(xiàng)的權(quán)衡參數(shù)；
[0022] 當(dāng)訓(xùn)練樣本X郝Xj.屬于不同類別時(shí)，所述訓(xùn)練樣本X郝Xj在Q中對(duì)應(yīng)的項(xiàng)為0， 否則訓(xùn)練樣本Xi和Xj在Q中對(duì)應(yīng)的項(xiàng)為cos(Xi，Xj);
[0023]
曼累積的鄰域重構(gòu)誤差，e是該項(xiàng)的權(quán)衡參 數(shù)；
[0024]
良示分類誤差，戶e岐"X%pT；c,.e胺"1最大元素對(duì)應(yīng)的位置表示X;的軟 標(biāo)簽，y康示Xi的調(diào)整參數(shù)，當(dāng)訓(xùn)練集中Xi的標(biāo)簽已知時(shí)，對(duì)應(yīng)的y1= 1〇1°，否則= 0。
[0025] 優(yōu)選地，利用所述最優(yōu)的投影分類器完成對(duì)待測(cè)機(jī)器錯(cuò)誤數(shù)據(jù)的類別預(yù)測(cè)和檢索 分類，得到所述測(cè)試集中待測(cè)數(shù)據(jù)的軟類別標(biāo)簽包括：
[002引得到測(cè)試樣本X。。內(nèi)，利用PTx。。，將其嵌入計(jì)算得到多類投影分類器，所得向量 的最大元素對(duì)應(yīng)的位置即為待測(cè)樣本X。。，的軟標(biāo)簽，每個(gè)測(cè)試樣本的硬標(biāo)簽可W被歸結(jié)為 argmaXi《。也Ji，其中eIRW，（f。J康示預(yù)測(cè)的軟標(biāo)簽向量f。。,第i個(gè)元素位 置。
[0027] 本發(fā)明還提供了一種魯椿機(jī)器錯(cuò)誤檢索系統(tǒng)，包括：
[0028] 訓(xùn)練預(yù)處理模塊，用于利用標(biāo)簽預(yù)測(cè)方法通過直推式方式估計(jì)得到訓(xùn)練集中的未 標(biāo)定樣本數(shù)據(jù)的類別標(biāo)簽，生成包括所有有標(biāo)定的樣本數(shù)據(jù)的新訓(xùn)練集；
[0029] 訓(xùn)練模塊，用于根據(jù)所述新訓(xùn)練集中的機(jī)器錯(cuò)誤數(shù)據(jù)及其標(biāo)簽信息，進(jìn)行標(biāo)簽一 致字典學(xué)習(xí)，得到判別稀疏編碼，利用所述判別系數(shù)編碼構(gòu)造自適應(yīng)權(quán)重系數(shù)，得到自適應(yīng) 重構(gòu)系數(shù)矩陣，根據(jù)所述自適應(yīng)重構(gòu)系數(shù)矩陣得到一個(gè)投影分類器，利用所述投影分類器 對(duì)訓(xùn)練集中的未標(biāo)定的樣本數(shù)據(jù)的類別信息進(jìn)行更新；
[0030] 迭代模塊，用于通過多次迭代訓(xùn)練，得到一個(gè)判別的可重構(gòu)字典，一個(gè)機(jī)器錯(cuò)誤數(shù) 據(jù)的判別稀疏編碼，W及一個(gè)最優(yōu)的投影分類器；
[0031] 測(cè)試模塊，用于利用所述最優(yōu)的投影分類器完成對(duì)待測(cè)機(jī)器錯(cuò)誤數(shù)據(jù)的類別預(yù)測(cè) 和檢索分類，得到所述測(cè)試集中待測(cè)數(shù)據(jù)的軟類別標(biāo)簽，根據(jù)所述軟類別標(biāo)簽中的概率最 大值找到對(duì)應(yīng)的位置，確定測(cè)試樣本的類別，得到所述機(jī)器錯(cuò)誤數(shù)據(jù)的魯椿分類。
[0032] 應(yīng)用本發(fā)明提供的一種魯椿機(jī)器錯(cuò)誤檢索方法與系統(tǒng)，首先利用標(biāo)簽估計(jì)方法對(duì) 訓(xùn)練集數(shù)據(jù)進(jìn)行預(yù)處理，估計(jì)出未標(biāo)定機(jī)器數(shù)據(jù)的標(biāo)簽，并初始化一個(gè)投影分類器?；谟?xùn) 練樣本的類別信息，進(jìn)行標(biāo)簽一致字典學(xué)習(xí)，利用得到的判別稀疏編碼構(gòu)造標(biāo)簽預(yù)測(cè)模型 中的自適應(yīng)重構(gòu)權(quán)，通過計(jì)算新的投影分類器來(lái)更新無(wú)標(biāo)簽訓(xùn)練數(shù)據(jù)的類信息。通過多次 迭代訓(xùn)練，輸出一個(gè)判別的可重構(gòu)字典，一個(gè)稀疏編碼矩陣和一個(gè)最優(yōu)多類分類器。訓(xùn)練得 到的分類器可用于新來(lái)數(shù)據(jù)的歸納和類別預(yù)測(cè)，根據(jù)軟標(biāo)簽中的概率最大值對(duì)應(yīng)的位置， 確定測(cè)試樣本的類別，完成機(jī)器錯(cuò)誤數(shù)據(jù)魯椿分類。通過提出半監(jiān)督標(biāo)簽一致字典學(xué)習(xí)方 法，豐富了監(jiān)督的先驗(yàn)信息，有效提高了機(jī)器錯(cuò)誤檢索的精準(zhǔn)度。
【附圖說明】
[0033] 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(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡(jiǎn)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(duì)于本領(lǐng)域普通技術(shù)人員來(lái)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。
[0034] 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)分類方法的流程圖；
[00巧]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)分類系統(tǒng)的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0036] 下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)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)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；?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