(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211335234.2 (22)申请日 2022.10.28 (71)申请人 郑州轻工业大 学 地址 450001 河南省郑州市郑州轻工业大 学科学大道136号 (72)发明人 李艳婷　王帅　刘岩　金军委　 陶红伟　朱付保　 (74)专利代理 机构 北京睿智保诚专利代理事务 所(普通合伙) 11732 专利代理师 王卓 (51)Int.Cl. G06K 9/62(2022.01) G06F 17/16(2006.01) (54)发明名称 一种基于自适应权重学习的补子空间表示 非均衡分类方法 (57)摘要 本发明公开了一种基于自适应权重学习的 补子空间表 示非均衡分类方法， 应用于数据分类 技术领域， 用于解决现有的分类技术无法高精度 识别少数类样本的问题， 方法包括以下步骤： 对 非均衡数据集进行预处理、 获取每个训练样本的 权重、 基于补子空间计算得到非均衡分类模型、 对非均衡分类模 型求解得到最优表 示系数、 对测 试样本集中测试样本的标签进行分类。 本发明在 协同表示模型中引入了由补子空间诱导的正则 项， 并且根据原始数据的类间和类内密度信息自 适应地获取每个训练样本的权重， 有效剔除了噪 声以及离群点对分类结果的影 响， 为少数类样本 赋予更大的权重， 解决了 现有的分类方法无法对 少数类准确分类的缺陷。 权利要求书3页 说明书9页 附图2页 CN 115511003 A 2022.12.23 CN 115511003 A 1.一种基于自适应权重学习的补子空间表示非均衡分类方法， 其特征在于， 包括以下 步骤： S1、 对总类别数为 N的非均衡数据集进行 预处理， 获得训练样本集H以及测试样本集； S2、 基于密度获取训练样本集H中每 个训练样本的权 重； S3、 根据每 个训练样本的权 重， 基于补子空间计算得到非均衡分类模型； S4、 对非均衡分类模型求 解得到最优表示系数； S5、 根据最优表示系数的重构误差对测试样本集中测试样本的标签进行分类。 2.根据权利要求1所述的一种基于自适应权重学习的补子空间表示非均衡分类方法， 其特征在于， S1具体为： S11、 通过交叉验证法将总类别数为N的非均衡数据集随机分为z份， 选择其中e份作为 原始训练集， f份作为原 始测试集， e+f＝z； S12、 将e份原始训练集和f份原始测试集随机交叉验证g次， 得到g组原始训练样本集和 g组原始测试样本集； S13、 将g组原始测试样本集和g组原始训练样本集转化为列向量， 进行归一化处理， 得 到测试样本集和训练样本集。 3.根据权利要求2所述的一种基于自适应权重学习的补子空间表示非均衡分类方法， 其特征在于， S2具体为： S21、 获取每一类训练样本的个数Mik,Mik为第i个样本所属类别k中的样本总数， 每个训 练样本的初步权 重为 S22、 获取训练样本di在第n类训练样本集 中前m个近邻样本的距离 和 di在剩余训练样本集中前q个近邻样本的距离 S23、 计算训练样本di在第n类训练样本集和剩余训练样本集中的密度： S24、 根据类内密度 和类间密度 计算混合密度： 其中θ 为调节类内类间距离 权重的平衡参数； S25、 将每 个训练样本的权 重密度进行归一 化： 与训练样本所属类别的样本总数相结合， di的权重为 训练样本的权 重矩阵为：权　利　要　求　书 1/3 页 2 CN 115511003 A 24.根据权利要求3所述的一种基于自适应权重学习的补子空间表示非均衡分类方法， 其特征在于， 补子空间计算具体为： E‑En为En的补子空间， 式中E＝span{H}表示由训练样本集H生成的全空间， En＝span{Hn} 表示由第n类训练样本集 生成的子空间， 第n类训练样本集 生成的子空间与第m类训练样集本生成的子空间的和为： Em+En＝span{p+q:p∈Em,q∈En}； Em+En＝span{Hm∪Hn}； E＝E1+E2+...+EN； E‑En＝span{H‑n}； 式中， H‑n表示训练样本集H中剔除第n类训练样本集后剩余的训练样本集。 5.根据权利要求4所述的一种基于自适应权重学习的补子空间表示非均衡分类方法， 其特征在于， 非均衡分类模型为： 式中， x表示大小为d*1的测试样本， d表示测试样本的维度， D代表大小为d*M的训练样 本矩阵， M为训练样本集H中所有样本的总个数， W是大小为M*M的对角矩阵， W中对角线上的 每个元素对应每一个训练样本的权重， W‑n为剔除第n类训练样本集的权重后的对角矩阵， δ 和β 为正则化参数， c为D的表示系数， c*为最优表示系数， c‑n为D‑n的表示系数。 6.根据权利要求5所述的一种基于自适应权重学习的补子空间表示非均衡分类方法， 其特征在于， S5具体为： 利用最小重构误差对测试样本标签进行分类：权　利　要　求　书 2/3 页 3 CN 115511003 A 3