一种张量模式下的有监督学优化方法及系统

摘要

本发明适用于模式识别技术领域，提供了一种张量模式下的有监督学优化方法、系统，包括：接收输入的训练张量数据集；将类内散布矩阵引入目标函数，使得目标函数最大化类间距离的同时最小化类内距离；构建OPSTM子问题的目标函数的优化框架；构建OPSTM问题的目标函数的优化框架；求解修改后的对偶问题，输出拉格朗日的最优组合及偏移标量b；计算投影张量W_*；计算最优投影张量W；根据W和b构建决策函数；待预测张量数据经过秩一分解后，输入到决策函数中进行预测。本发明，克服了向量模式算法在处理张量数据时出现的维度灾难、过学、小样本等问题，并且有效地避免了现有的张量模式算法耗时的交替投影迭代过程。

主权项

一种张量模式下的有监督学习优化方法，其特征在于，所述方法包括：接收输入的训练张量数据集；将类内散布矩阵引入目标函数，使得目标函数最大化类间距离的同时最小化类内距离；构建最优投影张量机OPSTM子问题的目标函数的优化框架；将N个向量模式的二次规划子问题转化为单个张量模式下的多重二次规划问题，构建OPSTM问题的目标函数的优化框架；根据拉格朗日乘子法，得到所述目标函数的优化框架的对偶问题，并将张量秩一分解引入到张量内积的计算，得到修改后的对偶问题；利用序列最小优化SMO算法，求解修改后的对偶问题，输出拉格朗日的最优组合及偏移标量b；计算投影张量W_*；对投影张量W_*进行秩一分解；对投影张量W_*进行秩一分解后得到的分量进行逆投影；对经过逆投影后的分量，进行秩一分解逆运算，得到训练张量数据集对应的最优投影张量W；构建决策函数阶段，将最优投影张量W经过秩一分解后和偏移标量b一起构建决策函数；在应用预测阶段，待预测张量数据经过秩一分解后，输入到所述决策函数中，进行预测。