一种基于elm与图正则化的数据表示方法
【专利摘要】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。
【专利说明】—种基于ELM与图正则化的数据表示方法
【【技术领域】】
[0001]本发明涉及数据表示方法的【技术领域】，特别是基于ELM与图正则化的数据表示方法的【技术领域】。
【【背景技术】】
[0002]非负矩阵分解(NMF)是一个功能强大的数据表示方法，已应用于许多应用程序集群等。然而这一过程NMF需要巨大的计算成本，特别是当数据的维度大。因此一个以ELM特征映射为基础的NMF被提出，NMF与极限学习机(ELM)特征映射结合，可以减少NMF的计算。然而，基于随机参数生成的ELM特征映射是非线性映射，这将降低无约束NMF所生成的子空间的数据能力表示。为了解决这个问题问题，我们提出一个新方法EFM GNMF结合榆树特性与图映射正规化的非负矩阵分解(GNMF)。
【
【发明内容】
】
[0003]本发明的目的就是解决现有技术中的问题，提出一种基于ELM与图正则化的数据表示方法，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，保持泛化性倉泛。
[0004]为实现上述目的，本发明提出了一种基于ELM与图正则化的数据表示方法，依次包括以下步骤:
[0005]a)计算原始数据集的最近邻图，即权重矩阵W ;
[0006]b)用 ELM 特征投影 Ii(X) = Di1 (X),...,Iii(X),..., hL(x)]T 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，
【权利要求】
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) = Di1(X),..., Iii(X),…，hjx)]1^# 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，
2.如权利要求1所述的一种基于ELM与图正则化的数据表示方法，其特征在于:所述步骤a)中的原始数据集假设有M个样本(Xi, ti), Xi = [xn, xi2,..., xid]T e Rd, \ = [tn,ti2，...，tiK]TeRK，标准SLFNs拥有L个隐藏节点，h(x)为激活函数，则原始数据集的数学模型可以表示为
3.如权利要求1所述的一种基于ELM与图正则化的数据表示方法，其特征在于:所述步骤 b)中 ELM 特征映射可以描述为:h (Xi) = Di1(Xi),...,Iii(Xi), *..,^ (Xi) ]T=[G (a1； b1；Xi),…G(ai; bi； Xi),..., G(aL, bL, χ)]τ,其中 G(ai; bi； Xi)是第 i 个隐藏节点的输出。
4.如权利要求3所述的一种基于ELM与图正则化的数据表示方法，其特征在于:所述参数
5.如权利要求1至4中任一项所述的一种基于ELM与图正则化的数据表示方法，其特征在于:所述原始数据集中的隐藏层节点数小于原始数据集的样本数量。
【文档编号】G06F19/00GK103838974SQ201410099958
【公开日】2014年6月4日 申请日期:2014年3月18日 优先权日:2014年3月18日
【发明者】蒋云良, 刘勇, 曾智勇, 张雄涛 申请人:湖州师范学院