技術(shù)特征：

1.一種基于二次模糊學(xué)習(xí)機(jī)的標(biāo)記噪聲識(shí)別方法，其特征在于，該方法包括如下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于二次模糊學(xué)習(xí)機(jī)的標(biāo)記噪聲識(shí)別方法，其特征在于，所述步驟s1包括：給定標(biāo)記數(shù)據(jù)集其中xi表示樣本原始表示，yi表示樣本xi的真實(shí)標(biāo)記。

3.根據(jù)權(quán)利要求1所述的一種基于二次模糊學(xué)習(xí)機(jī)的標(biāo)記噪聲識(shí)別方法，其特征在于，所述步驟s2包括：首次學(xué)習(xí)模塊，基于特征提取模塊和模糊二元關(guān)系模塊構(gòu)建模糊學(xué)習(xí)機(jī)，在訓(xùn)練過(guò)程中通過(guò)最小化模糊允許損失lfsr迭代更新模型參數(shù)，捕捉所有樣本的潛在表示h(x)；對(duì)于樣本特征xi，通過(guò)特征提取模塊獲取到的特征為h(xi)；

4.根據(jù)權(quán)利要求1所述的一種基于二次模糊學(xué)習(xí)機(jī)的標(biāo)記噪聲識(shí)別方法，其特征在于，所述步驟s3包括：模糊二元關(guān)系模塊，使用余弦相似度作為模糊二元關(guān)系網(wǎng)絡(luò)的基本骨架，基于獲取到的樣本特征h(x)進(jìn)行相似度計(jì)算，計(jì)算余弦相似度得到樣本之間的模糊關(guān)系矩陣；對(duì)于樣本xi的特征h(xi)和樣本xj的特征h(xj)進(jìn)行余弦相似度計(jì)算，余弦相似度計(jì)算公式為：

5.根據(jù)權(quán)利要求1所述的一種基于二次模糊學(xué)習(xí)機(jī)的標(biāo)記噪聲識(shí)別方法，其特征在于，所述步驟s4包括：樣例集選擇模塊，對(duì)于類別c，將標(biāo)記為c的所有樣本原始特征x輸入模糊二元關(guān)系模塊，得到樣本之間的模糊關(guān)系矩陣s，對(duì)模糊關(guān)系矩陣s進(jìn)行按列求和，即可得到樣本對(duì)于類別的隸屬度s_c，對(duì)其進(jìn)行從大到小排序，得到top-k的樣本即為類別c的樣例集ec，由此循環(huán)，得到所有類別的樣例集。

6.根據(jù)權(quán)利要求1所述的一種基于二次模糊學(xué)習(xí)機(jī)的標(biāo)記噪聲識(shí)別方法，其特征在于，所述步驟s5包括：標(biāo)記干凈度計(jì)算模塊，利用樣例集e計(jì)算樣本模糊相似矩陣s，利用樣本類別標(biāo)記生成獨(dú)熱編碼矩陣one-hot-mat，其中每一行標(biāo)記為1的位置對(duì)應(yīng)于樣本標(biāo)記，其余位置均為0，再生成一個(gè)類別對(duì)角矩陣d，對(duì)角線上的元素均為每個(gè)類別樣例集的數(shù)目的倒數(shù)即將所得三個(gè)矩陣相乘并歸一化處理得到矩陣sam_class_score，即樣本對(duì)每個(gè)類別的隸屬度得分，

7.根據(jù)權(quán)利要求1所述的一種基于二次模糊學(xué)習(xí)機(jī)的標(biāo)記噪聲識(shí)別方法，其特征在于，所述步驟s6包括：二次學(xué)習(xí)模塊，基于所有樣本標(biāo)記干凈度pclean，根據(jù)設(shè)定閾值r劃分子集，將標(biāo)記干凈度大于閾值的樣本歸類為高置信度樣本，將低于閾值的樣本歸類為低置信度樣本，選取高置信度樣本繼續(xù)訓(xùn)練模糊學(xué)習(xí)機(jī)，更新模型參數(shù)。

8.根據(jù)權(quán)利要求1所述的一種基于二次模糊學(xué)習(xí)機(jī)的標(biāo)記噪聲識(shí)別方法，其特征在于，所述步驟s7包括：噪聲識(shí)別模塊，利用更新后的樣例集e'計(jì)算樣本對(duì)每個(gè)類別的隸屬度矩陣sam_class_score，隸屬度最高的類別索引即為樣本預(yù)測(cè)標(biāo)記，對(duì)比樣本原類別標(biāo)記，兩者不一致即認(rèn)為標(biāo)記噪聲樣本；

9.一種基于二次模糊學(xué)習(xí)機(jī)的標(biāo)記噪聲識(shí)別系統(tǒng)，其特征在于，包括以下模塊：

技術(shù)總結(jié)
本發(fā)明涉及機(jī)器學(xué)習(xí)標(biāo)記噪聲識(shí)別技術(shù)領(lǐng)域。現(xiàn)有噪聲過(guò)濾方法在處理大規(guī)模數(shù)據(jù)集時(shí)間復(fù)雜度高且難以自適應(yīng)學(xué)習(xí)有用特征使其無(wú)法有效識(shí)別噪聲；深度神經(jīng)網(wǎng)絡(luò)雖然具有較強(qiáng)的特征提取能力，但由于模型的表達(dá)能力較強(qiáng)使其可以有效擬合一定比例的標(biāo)記噪聲。為解決現(xiàn)有技術(shù)的不足，本發(fā)明利用深度神經(jīng)網(wǎng)絡(luò)提取對(duì)標(biāo)記噪聲識(shí)別有用的特征；利用模糊允許損失降低深度神經(jīng)網(wǎng)絡(luò)擬合標(biāo)記噪聲的風(fēng)險(xiǎn)；利用二次學(xué)習(xí)機(jī)制完成對(duì)標(biāo)記噪聲的初篩和識(shí)別，其中首次學(xué)習(xí)利用標(biāo)記干凈度區(qū)分高、低置信度樣本，完成對(duì)標(biāo)記噪聲的初篩，二次學(xué)習(xí)利用樣例集完成對(duì)標(biāo)記噪聲的識(shí)別。本發(fā)明充分利用模糊學(xué)習(xí)機(jī)的特征表示與模糊容忍能力，能夠有效地提升標(biāo)記噪聲識(shí)別性能，減少了噪聲對(duì)分類模型的影響。

技術(shù)研發(fā)人員：梁吉業(yè),李怡曉,崔軍彪
受保護(hù)的技術(shù)使用者：山西大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/9/9