一种基于ELM与图正则化的数据表示方法

摘要

本发明公开了一种基于ELM与图正则化的数据表示方法，包括计算原始数据集的最近邻图，用ELM特征投影将D维原始数据集转换成L维原始数据集，生成初始化非负矩阵，对于每个i，j进行迭代更新，直到收敛即err＜ε，或者，或达到最大迭代次数Max。本发明中的GNMF通过植入一个几何正则化矩阵，可以发掘数据空间中的固有几何性质和识别数据空间中的结构，它比原始NMF方法更强大，同时将ELM特征映射和GNMF相结合的方法能在获得效率的同时，保持泛化性能，在处理高维数据时，EFM GNMF的效率比直接使用NMF或GNMF更高。与EFM NMF效率没有保持泛化性能不同，EFM GNMF可以达到类似GNMF的结果。

主权项

1.一种基于ELM与图正则化的数据表示方法，其特征在于：依次包括以下步骤：a）计算原始数据集的最近邻图，即权重矩阵W；b）用ELM特征投影h(x)＝[h₁(x)，…，h_i(x)，…，h_L(x)]^T将原始数据集投影到ELM特征空间，将D维原始数据集转换成L维原始数据集，X表示D维原始数据集，H表示L维原始数据集，M表示数据集中样本的个数；c）生成初始化非负矩阵和d）用G作为ELM特征空间数据的最近邻图权重矩阵，P是一个对角矩阵，P的元素是G行向量的和，即P_jj＝Σ_lG_jl；e）对于每个i，j进行迭代更新，直到收敛即err＜ε，或达到最大迭代次数Max：e1）$U_{\mathrm{ij}}^{t+1}\leftarrow U_{\mathrm{ij}}^t\frac{{\left({\mathrm{HV}}^T\right)}_{\mathrm{ij}}}{{\left(U^t{\mathrm{VV}}^T\right)}_{\mathrm{ij}}};$e2）$V_{\mathrm{ij}}^{t+1}\text{←}{V}_{\mathrm{ij}}^t\frac{{(H^{T}U+{\mathrm{\lambda GV}}^T)}_{\mathrm{ij}}}{{({\left(U^T{\mathrm{UV}}^t\right)}^T+{\mathrm{\lambda PV}}^T)}_{\mathrm{ij}}};$e3）$\mathrm{err}\leftarrow \max \{\frac{\left|\right|U^{t+1}-U^t\left|\right|}{\sqrt{\mathrm{LK}}},\frac{\left|\right|v^{t+1}-v^t\left|\right|}{\sqrt{\mathrm{KM}}}\};$所述λ表示正则化参数，λ≥0，K表示数据集矩阵分解后的维数，ε表示阀值，ε＞0。