1.一种基于稀疏预设子空间迁移的图像分类方法,其特征是,包括以下步骤:
步骤1、输入源域样本和目标域样本
计算原始数据
XS1是源域的第一个样本、
是源域的第NS个样本、XT1是目标域的第一个样本、
是目标域的第NT个样本;
步骤2,计算KT和K
由式KT=XTXT和K=XTX分别求解出KT和K;
步骤3,求出K的特征值分解
由式K=VSVT求解出K的特征值分解;V为特征向量构成的矩阵,S的对角线上元素为特征向量所对应的特征值;
步骤4,初始化特征向量Φ
由式φ:=V(:,v)取V的前d个最大特征值对应的特征向量,式中v为V的前d个最大特征值所对应的特征向量;
步骤5,更新Z
将Φ固定,使用ADMM方法,更新以下式(8)中的Z:
式(8)中,Z为稀疏矩阵,λ1表示权衡参数,表示长度为NS+NT的非零列向量,
表示长度为NT的非零列向量;
步骤6,更新Φ
将Z固定,使用特征值分解的方法,更新以下式(13)中的Φ:
s.t.ΦTKΦ=I
步骤7,检查收敛性情况
若仍然不收敛,则重复步骤5和步骤6;若收敛,则输出Φ和Z的值;
步骤8,由P*=ΦTXT得映射P*,计算源域数据XS映射到预设子空间的值MS,MS=P*XS;
步骤9,利用映射P*,计算标记的目标训练数据XTl映射到预设子空间的值MTl,MTl=P*XSZ;
MTl=P*XSZ表示源域数据经P后通过稀疏矩阵Z向目标域转换;
步骤10,计算未被标记的目标测试数据XTu映射到预设子空间的值MTU,MTU=P*XTu
步骤11,基于标记的训练数据[MS,MTl]和它们对应的标记,利用二范数正则最小二乘方法训练一个分类器W;
步骤12,通过计算判决函数对未被标记的目标测试数据进行类别判别。
2.根据权利要求1所述的基于稀疏预设子空间迁移的图像分类方法,其特征是,在步骤5更新Z的步骤包括:
步骤1),初始化参数
令Z,YA,YB均为0,μ2为λ1,ρ=1.1和maxμ=106;其中YA和YB分别表示拉格朗日乘子,λ1和λ2则表示权衡参数;
步骤2),更新L
当不收敛的时候固定Z,通过利用下式对L进行求解:
式中,L为辅助变量,λ1=μ1/2,μ2是用增广拉格朗日乘子法求解时的系数;
步骤3),更新Z
当不收敛的时候固定L,通过下式对Z进行求解:
步骤4),更新拉格朗日乘子
根据步骤2)和步骤3)更新得到的L和Z,代入下式,
YA=YA+μ2(L-Z),YB=YB+μ2(1TL-1T)
得到更新后的乘法器;
步骤5),更新参数μ2
μ2取μ2ρ和maxμ中的最小值;
步骤6),检查收敛情况
若仍然不收敛,则重复步骤2)至步骤5);
若收敛,则输出Z。
3.根据权利要求1或2所述的基于稀疏预设子空间迁移的图像分类方法,其特征是,在步骤6更新Φ的步骤包括:
步骤(1),求K的特征值分解
由K=VSVT求出K的特征值分解,其中K=XTX,V为特征向量,S对角线上元素为特征向量对应的特征值;
步骤(2),由下式求解出Θ:
步骤(3),求出Θ的特征值分解
由式Θ=UΣUT求解出Θ的特征值分解,U是Θ的特征向量,Σ为一个对角阵,其对角上的元素为特征向量对应的特征值;
步骤(4),求解Ω
通过Ω=U(:,U)来求解Ω,该式是将Θ进行特征分解后,取U的前d个最小特征值对应的特征向量,式中U为U的前d个最小特征值所对应的特征向量;
步骤(5),求解Φ
由式求解出Φ。