一种图像数据加权分类方法和系统
专利汇可以提供一种图像数据加权分类方法和系统专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种图像数据加权分类方法和系统，首先从 数据库 中获取数据集，并将数据集分为测试集和训练集；设置近邻参数K值；根据LDA(Linear Discriminant Analysis) 算法 求出投影向量w；由训练集构造近邻图G(V，E)；对于测试集中的每一个数据样本xtext，根据近邻图找到数据样本xtext在训练集中的K个近邻，对K个近邻的贡献加权，将较大权值赋值给较近的近邻；返回对数据样本xtext的估计值 并进行样本类别的判定。本发明具有如下优点：(1)本发明对包含噪声的数据具有很好的抗噪性，能够解决传统KNN对于噪声产生错误分类的敏感问题。(2)本发明采用加权改进的Euclid距离替代传统KNN采用的Euclid距离度量，能找到相似度高贡献大的样本，更能区分样本，提高分类的准确率。，下面是一种图像数据加权分类方法和系统专利的具体信息内容。
1.一种图像数据加权分类方法，其特征在于，包括以下步骤：
Step1、从数据库中获取数据集，将数据集分为测试集和训练集；
Step2、设置近邻参数K值；
Step3、根据Linear Discriminant Analysis算法求出训练集投影向量w；
Step4、根据训练集构造近邻图G(V，E)，其中G表示近邻图，V表示节点，即为训练集中的各个训练样本，E表示连接各个训练样本之间的边；
Step5、对于测试集中的每一个数据样本xtext，根据近邻图找到数据样本xtext在训练集中的K个近邻；
Step6、返回对数据样本xtext的估计值 其中，
f(xi)表示分类的问题函数，xi表示第i个训
练样本， 表示第i个训练样本的第l个特征向量， 表示数据样本xtext的第l个特征向量，t表示任意常数，m为特征向量的个数，w表示投影向量，v表示训练样本对应的类别，V表示数据类别的集合， 即为数据样本xtex的最终类别，
2.如权利要求1所述的一种图像数据加权分类方法，其特征在于：所述步骤Step2设置K取1,3,5,7,9,11,13,15。
3.如权利要求1所述的一种图像数据加权分类方法，其特征在于：步骤Step3中投影向量w的计算方式如下，
以二分类为例，定量分析求解最佳的投影向量w：
给定特征为d维的N个训练样本 首先寻找每类训练样本的均值，即中心
点，此时i＝1,2， 具体的，有N1个训练样本属于类别w1，有N2个训练样本属于类别w2，N＝N1+N2，μi表示第i类训练样本的均值；
训练样本x到w上的投影用y＝wTx计算，训练样本x到w投影后的样本点均值表示为：
由此可知，投影后的均值也就是样本中心点的投影；
能够使投影后的两类样本中心点尽量分离的直线是最好的直线，定量表示为：
对投影后的类求散列值，具体： 最终通过
度量公式 度量投影向量w；
根据上述公式，寻找使J(w)最大的w即可，求解过程如下：
将散列值公式展开： 其
中令 即散列矩阵；
接着，令Sw＝S1+S2，Sw称为类内离散程度矩阵，SB＝(μ1-μ2)(μ1-μ2)T，SB称为类间离散程度矩阵；
J(w)最终表示为： 对其进行求导，在求导之前，先对分母进行归一化处
理；然后令||wTSWW||＝1，加入拉格朗日乘子后，求导： 由此
可见w是矩阵 的特征向量；
具体的，因为SBw＝(μ1-μ2)(μ1-μ2)Tw，其中，后面两项的积是一个常数，记为λw，则由于对w扩大或缩小任何倍数都不影响其结果，因此为了简
单起见约去两边的未知常数λ,λw，得到 故只需要求出原始训练样本的均值和方程即求出最佳的w。
4.如权利要求1所述的一种图像数据加权分类方法，其特征在于：所述Step4中，近邻图中边的大小具体由公式： 确定，其中，xl表示训练样本
x的第l个特征向量，xi,xj分别表示第i个训练样本和第j个训练样本，m为特征向量的个数，t表示任意常数，w表示步骤2求得的投影向量。
5.如权利要求4所述的一种图像数据加权分类方法，其特征在于：m的取值为5，分别包括图像的笔画、轮廓、交叉点、端点、灰度特征向量。
6.一种图像数据加权分类系统，其特征在于，包括以下模块：
数据集获取模块，用于从数据库中获取数据集，将数据集分为测试集和训练集；
参数设置模块，用于设置近邻参数K值；
投影向量w求解模块，用于根据Linear Discriminant Analysis算法求出训练集投影向量w；
近邻图构造模块，用于根据训练集构造近邻图G(V，E)，其中G表示近邻图，V表示节点，即为训练集中的各个训练样本，E表示连接各个训练样本之间的边；
K个近邻搜索模块，对于测试集中的每一个数据样本xtext，根据近邻图找到数据样本xtext在训练集中的K个近邻；
样本类别判定模块，用于返回对数据样本xtext的估计值 其中，
f(xi)表
示分类的问题函数，xi表示第i个训练样本， 表示第i个训练样本的第l个特征向量， 表示数据样本xtext的第l个特征向量，t表示任意常数，m为特征向量的个数，w表示投影向量，v表示训练样本对应的类别，V表示数据类别的集合， 即为数据样本xtext的最终类别，
7.如权利要求6所述的一种图像数据加权分类系统，其特征在于：所述参数设置模块中设置K取1,3,5,7,9,11,13,15。
8.如权利要求1所述的一种图像数据加权分类系统，其特征在于：投影向量w求解模块中投影向量w的计算方式如下，
以二分类为例，定量分析求解最佳的投影向量w：
给定特征为d维的N个训练样本 首先寻找每类训练样本的均值，即中心
点，此时i＝1,2， 具体的，有N1个训练样本属于类别w1，有N2个训练样本属于类别w2，N＝N1+N2，μi表示第i类训练样本的均值；
训练样本x到w上的投影用y＝wTx计算，训练样本x到w投影后的样本点均值表示为：
由此可知，投影后的均值也就是样本中心点的投影；
能够使投影后的两类样本中心点尽量分离的直线是最好的直线，定量表示为：
对投影后的类求散列值，具体： 最终通过
度量公式 度量投影向量w；
根据上述公式，寻找使J(w)最大的w即可，求解过程如下：
将散列值公式展开： 其中
令 即散列矩阵；
接着，令Sw＝S1+S2，Sw称为内离散程度矩阵，SB＝(μ1-μ2)(μ1-μ2)T，SB称为类间离散程度矩阵；
J(w)最终表示为： 对其进行求导，在求导之前，先对分母进行归一化处
理；然后令||wTSWW||＝1，加入拉格朗日乘子后，求导： 由此
可见w是矩阵 的特征向量；
具体的，因为SBw＝(μ1-μ2)(μ1-μ2)Tw，其中，后面两项的积是一个常数，记为λw，则由于对w扩大或缩小任何倍数都不影响其结果，因此为了简
单起见约去两边的未知常数λ,λw，得到 故只需要求出原始训练样本的均值和方程即求出最佳的w。
9.如权利要求1所述的一种图像数据加权分类系统，其特征在于：所述近邻图构造模块中，近邻图中边的大小具体由公式： 确定，其中，xl表
示训练样本x的第l个特征向量，xi,xj分别表示第i个训练样本和第j个训练样本，m为特征向量的个数，t表示任意常数，w表示步骤2求得的投影向量。
10.如权利要求9所述的一种图像数据加权分类系统，其特征在于：m的取值为5，分别包括图像的笔画、轮廓、交叉点、端点、灰度特征向量。
一种图像数据加权分类方法和系统
技术领域
背景技术
发明内容
样本， 表示第i个训练样本的第l个特征向量， 表示数据样本xtext的第l个特征向量，t表示任意常数，m为特征向量的个数，w表示投影向量，v表示训练样本对应的类别，V＝{v1,v2,···,vs}，V表示数据类别的集合， 即为数据样本xtext的最终类别，
量公式 度量投影向量w；
由此可见w是矩阵 的特征向量；
和方程即求出最佳的w。
分别表示第i个训练样本和第j个训练样本，m为特征向量的个数，t表示任意常数，w表示步骤2求得的投影向量。
的问题函数，xi表示第i个训练样本， 表示第i个训练样本的第l个特征向量， 表示数据样本xtext的第l个特征向量，t表示任意常数，m为特征向量的个数，w表示投影向量，v表示训练样本对应的类别，V＝{v1,v2,···,vs}，V表示数据类别的集合， 即为数据样本xtext的最终类别，
量公式 度量投影向量w；
由此可见w是矩阵 的特征向量；
和方程即求出最佳的w。
分别表示第i个训练样本和第j个训练样本，m为特征向量的个数，t表示任意常数，w表示步骤2求得的投影向量。
附图说明
具体实施方式
中，令||wSWW||＝1，加入拉格朗日乘子后，求导： 由此可见
w是矩阵 的特征向量。
均值和方程就可以求出最佳的w，如图4所示。
终类别，f(xi)表示分类的问题函数，xi表示第i个训练样本，v表示训练样本对应的类别，[0082] 表1是对该发明方法与传统KNN分类方法在红酒数据集上进行分类性能对比。从表中可以看到，本发明的分类准确率明显高于传统KNN分类方法。
示分类的问题函数，xi表示第i个训练样本， 表示第i个训练样本的第l个特征向量， 表示数据样本xtext的第l个特征向量，t表示任意常数，m为特征向量的个数，w表示投影向量，v表示训练样本对应的类别，V＝{v1,v2,···,vs}，V表示数据类别的集合， 即为数据样本xtext的最终类别，
量公式 度量投影向量w；
化处理；然后令||w SWW||＝1，加入拉格朗日乘子后，求导：
由此可见w是矩阵 的特征向量；
和方程即求出最佳的w。
分别表示第i个训练样本和第j个训练样本，m为特征向量的个数，t表示任意常数，w表示步骤2求得的投影向量。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 风电-负荷场景的极限传输功率的计算方法 | 2020-05-11 | 803 |
| 三维裁剪Voronoi图的多线程并行计算方法、系统 | 2020-05-08 | 167 |
| 用于操作三维动画角色的方法和装置 | 2020-05-12 | 814 |
| 基于邻域回归与局部信息的图像重建方法 | 2020-05-11 | 174 |
| 一种防止背景变形的人物图像处理方法 | 2020-05-11 | 114 |
| 基于因子分析与子空间协同表示的网络安全入侵检测方法 | 2020-05-12 | 644 |
| 物品抓取方法、装置、存储介质及电子装置 | 2020-05-12 | 276 |
| 基于自样例增强的超分辨率图像重建方法 | 2020-05-08 | 196 |
| 一种基于视觉算法的机器人巡检点位智能配置方法 | 2020-05-13 | 586 |
| 一种基于粒子群算法优化解决武器-目标分配的方法 | 2020-05-12 | 784 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
