基于深度學(xué)習(xí)的多源數(shù)據(jù)自動分類算法設(shè)計(jì)

王艷然 楊鵬飛

摘要：為了降低由于數(shù)據(jù)特征差異引起的數(shù)據(jù)辨識分類結(jié)果精確度較低的問題，提出基于深度學(xué)習(xí)的多源數(shù)據(jù)自動分類算法設(shè)計(jì)。首先提取了不同數(shù)據(jù)域數(shù)據(jù)的特征，在最小化數(shù)據(jù)特征損失的基礎(chǔ)上，采用深度學(xué)習(xí)的方法，對多源數(shù)據(jù)的特征進(jìn)行分析，將分析結(jié)果作為數(shù)據(jù)分類的依據(jù)，實(shí)現(xiàn)數(shù)據(jù)的高精度分類。通過試驗(yàn)對其進(jìn)行測試，結(jié)果表明，所提方法在不影響分類效率的前提下，分類精度可達(dá)到95%以上，具有良好的實(shí)際應(yīng)用價值。

關(guān)鍵詞：深度學(xué)習(xí);數(shù)據(jù)特征;多源數(shù)據(jù);自動分類

中圖分類號：TP399 ? ? ?文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2022）05-0020-02

隨著大數(shù)據(jù)在各行各業(yè)的廣泛滲透，其種類和形式也越來越多樣化，因此，對于多源數(shù)據(jù)的分類成為現(xiàn)階段計(jì)算機(jī)領(lǐng)域的研究熱點(diǎn)[1]。通常情況下，多源數(shù)據(jù)具有內(nèi)容要素種類差異性較大、數(shù)據(jù)來源廣泛的特點(diǎn)[2]。因此，對其進(jìn)行分類時，主要是要對數(shù)據(jù)之間的內(nèi)在關(guān)系進(jìn)行準(zhǔn)確識別。以此作為數(shù)據(jù)分類的基礎(chǔ)[3]。但是，由于多源數(shù)據(jù)包含的數(shù)據(jù)內(nèi)容及結(jié)構(gòu)更加多樣化，其特征差異也較大，因此，在對其進(jìn)行分類時，難度也明顯高于一般的數(shù)據(jù)。對于此，已有學(xué)作出者做出了相關(guān)研究。其中，文獻(xiàn)[4]提出一種基于ReLU稀疏性特征的數(shù)據(jù)分類方法，實(shí)現(xiàn)了數(shù)據(jù)分類的準(zhǔn)確度，但分類的精度較低，分類的粒度較大;文獻(xiàn)[5]提出一種基于數(shù)據(jù)信息融合的分類方法，有效提高了分類的效果，但其在進(jìn)行分類的前期需要大量的融合計(jì)算，便捷程度有待提升。在不斷探索與研究過程中，人們逐漸發(fā)現(xiàn)了深度學(xué)習(xí)算法在數(shù)據(jù)分類中的獨(dú)特優(yōu)勢，深度學(xué)習(xí)是以數(shù)據(jù)的特點(diǎn)為基礎(chǔ)，對數(shù)據(jù)進(jìn)行分類[6]，因此，可以減少分類過程中的大量冗余計(jì)算，提高分類結(jié)果的可靠性[7]。

基于此，本文提出基于深度學(xué)習(xí)的多源數(shù)據(jù)自動分類算法設(shè)計(jì)。并通過試驗(yàn)對其有效性進(jìn)行驗(yàn)證。通過該研究，以期為數(shù)據(jù)分類方面的研究提供有價值的參考，提高數(shù)據(jù)的利用效率。

1基于深度學(xué)習(xí)的多源數(shù)據(jù)分類

1.1多源數(shù)據(jù)特征提取

為了實(shí)現(xiàn)對數(shù)據(jù)的精準(zhǔn)分類，需要對數(shù)據(jù)的特征進(jìn)行準(zhǔn)確提取，通過對提取結(jié)果進(jìn)行深度學(xué)習(xí)，實(shí)現(xiàn)對待分類數(shù)據(jù)的自動分類。本文建立了一種無監(jiān)督的特征提取方式，在樣本數(shù)據(jù)之間構(gòu)建非線性函數(shù)關(guān)系，使其擺脫多源數(shù)據(jù)本身存在標(biāo)簽對樣本的限定。

首先，假設(shè)Xi和Yi分別表示來自不同數(shù)據(jù)域的數(shù)據(jù)信息，其中Xi表示位置數(shù)據(jù)，Yi表示內(nèi)容數(shù)據(jù)，通過建立對二者之間存在的內(nèi)在關(guān)聯(lián)進(jìn)行挖掘，構(gòu)建數(shù)據(jù)特征的跨區(qū)域轉(zhuǎn)換。由于Xi和Yi是同一數(shù)據(jù)表信息的不同數(shù)據(jù)源表征，因此，其對應(yīng)關(guān)系也不局限于單一的數(shù)據(jù)域內(nèi)，以數(shù)據(jù)元為單位的基本單元中也存在表征層面的相關(guān)性。因此，本文在對多源數(shù)據(jù)進(jìn)行特征識別時，以數(shù)據(jù)元為基礎(chǔ)，對其內(nèi)在關(guān)聯(lián)進(jìn)行分析。得到Xi和Yi之間的跨區(qū)域轉(zhuǎn)換過程為：

[Ha，b（Xi）≈Yi] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

其中，[a]表示數(shù)據(jù)攜帶信息的權(quán)重，[b]表示數(shù)據(jù)的偏置參數(shù)。[Yi]作為數(shù)據(jù)域內(nèi)數(shù)據(jù)特征的樣本，其中包含反向運(yùn)算過程，其也是實(shí)現(xiàn)對多源數(shù)據(jù)間隱藏關(guān)聯(lián)優(yōu)化的唯一標(biāo)準(zhǔn)。根據(jù)式（1）轉(zhuǎn)化后的數(shù)據(jù)，對其進(jìn)行特征提取，其可表示為：

[ω=λHa，b（Xi）n] ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

其中， [ω]表示最終得出數(shù)據(jù)特征參量，[λ]表示多源數(shù)據(jù)間的關(guān)聯(lián)強(qiáng)度，[n]表示數(shù)據(jù)的來源總數(shù)。

將得到的特征結(jié)果作為深度學(xué)習(xí)的內(nèi)容，實(shí)現(xiàn)對多源數(shù)據(jù)內(nèi)在關(guān)系的深入分析，為數(shù)據(jù)分類提供依據(jù)。

1.2基于深度學(xué)習(xí)的數(shù)據(jù)特征分析

在上述基礎(chǔ)上，得到不同數(shù)據(jù)域數(shù)據(jù)的特征，為了使數(shù)據(jù)分類結(jié)果具有更高的可靠性，本文采用深度學(xué)習(xí)的方式對特征進(jìn)行分析，根據(jù)分析結(jié)果，對待分類數(shù)據(jù)進(jìn)行自動分類處理。

首先，對多源數(shù)據(jù)間的關(guān)聯(lián)最小損失進(jìn)行計(jì)算。在關(guān)聯(lián)損失中，共包含兩部分，分別為數(shù)據(jù)特征損失以及數(shù)據(jù)結(jié)構(gòu)損失，因此設(shè)計(jì)損失目標(biāo)函數(shù)為：

[P=Pmin=i=1nωin+i=1n（Xi+Yi）n] ? ? ? ? ? ? （3）

其中，Pmin表示最小損失，當(dāng)P=Pmin時，表明數(shù)據(jù)特征的損失最小。通過對損失進(jìn)行約束，避免由于數(shù)據(jù)關(guān)聯(lián)引起數(shù)據(jù)特征的丟失，提高深度學(xué)習(xí)結(jié)果的可靠性，確保數(shù)據(jù)分類的完整性。

以此為基礎(chǔ)，對多源數(shù)據(jù)特征進(jìn)行深度學(xué)習(xí)，其可表示為：

[Tω=i=1nωinXi-Yi] ? ? ? ? ? ? ? ? ? ? ? （4）

[Ts=i=1n（Xi+Yi）nSIMMXi-Yi] ? ? ? ? ? （5）

其中，[Tω]表示深度學(xué)習(xí)得到的多源數(shù)據(jù)間的內(nèi)容特征， [Ts]表示多源數(shù)據(jù)間的結(jié)構(gòu)特征，[SIMM（*）]表示不同數(shù)據(jù)域數(shù)據(jù)的結(jié)構(gòu)相似性。二者也是對多源數(shù)據(jù)進(jìn)行自動分類時，判斷區(qū)所在類別的依據(jù)。

1.3多源數(shù)據(jù)自動分類

根據(jù)深度學(xué)習(xí)的結(jié)果，分別從數(shù)據(jù)內(nèi)容特征及結(jié)構(gòu)特征兩個方面實(shí)現(xiàn)對多源數(shù)據(jù)的自動分類。通過尋找到與其特征差異最小的數(shù)據(jù)類別，判斷其對應(yīng)的分類結(jié)果，也就是計(jì)算待分類數(shù)據(jù)在上文的學(xué)習(xí)結(jié)果中的最優(yōu)映射。

假設(shè)待分類數(shù)據(jù)c∈Rn，其中Rn表示其所在數(shù)據(jù)域范圍，則首先要根據(jù)其攜帶的數(shù)據(jù)信息的權(quán)重以及偏置變量對其特征進(jìn)行計(jì)算，其可表示為

[ωc=f（ac+b）] ? ? ? ? ? ? ? ? ? ? ? ? （6）

[Sc=RnnSIMMc] ? ? ? ? ? ? ? ? ? ? （7）

其中，f表示激活函數(shù)。[ωc]和[Sc]分別表示其內(nèi)容特征和結(jié)構(gòu)特征。通過式（6）和式（7）得到待分類數(shù)據(jù)的特征，將其與深度學(xué)習(xí)結(jié)果進(jìn)行映射尋優(yōu)，其可表示為：

[sim（ωc，Tω）=（ωc+Tω）ωc?Tωsim（Sc，Ts）=（Sc+Ts）Sc?Ts] ? ? ? ? ? ? ? ? ? ? ? ?（8）

當(dāng)sim（ωc，Tω）為最大值，且sim（Sc，Ts）也為最大值時，則認(rèn)為該數(shù)據(jù)的分類結(jié)果與Tω所在的類別一致，以此實(shí)現(xiàn)對其的自動分類。

2試驗(yàn)測試

為了測試本文設(shè)計(jì)算法的實(shí)際應(yīng)用效果，進(jìn)行了試驗(yàn)測試。同時，為了確保測試結(jié)果具有更高的可靠性，分別采用文獻(xiàn)[4]和文獻(xiàn)[5]提出的分類方法同樣多試驗(yàn)數(shù)據(jù)進(jìn)行分類處理。通過對比三種方法的分類結(jié)果，對本文設(shè)計(jì)算法的有效性進(jìn)行分析。

2.1測試環(huán)境

試驗(yàn)采用的數(shù)據(jù)為Houston遙感數(shù)據(jù)，包含了一組某區(qū)域的全覆蓋機(jī)載高光譜圖像，以及對應(yīng)的激光雷達(dá)數(shù)據(jù)。其中，具體的參數(shù)如表1所示。

在數(shù)據(jù)集中，共標(biāo)定10類常見地表建筑物，對應(yīng)編號為1～10，其中每種地表建筑物的訓(xùn)練樣本與測試樣本的數(shù)目比為1：6。在此基礎(chǔ)上，分別采用三種方法對其進(jìn)行分類。

2.2測試結(jié)果

在上述試驗(yàn)環(huán)境下，分別采用三種分類方法對試驗(yàn)數(shù)據(jù)進(jìn)行分類處理，并對比了三種分類方法的分類結(jié)果，其結(jié)果如表2所示。

從表2中可以看出，三種分類方法的分類精度都可達(dá)到90%以上，其中文獻(xiàn)[4]方法的分類精度基本穩(wěn)定在92%～94%之間，文獻(xiàn)[5]方法的分類精度基本穩(wěn)定在93%～95%之間，而本文分類方法的分類精度始終在95%以上，且最高值可達(dá)97%，明顯優(yōu)于另外兩種方法，表明其具有良好的分類效果。這主要是因?yàn)楸疚膶?shù)據(jù)進(jìn)行分類前，首先對其特征進(jìn)行分析，并在損失最小約束的條件下，對其進(jìn)行深度學(xué)習(xí)，提高了學(xué)習(xí)結(jié)果的完整性，以此實(shí)現(xiàn)對多源數(shù)據(jù)的分類處理，提高了分類結(jié)果的可靠性。

在此基礎(chǔ)上，為了驗(yàn)證本文設(shè)計(jì)方法的分類效率，對比了三種方法完成數(shù)據(jù)分類的耗時情況，其結(jié)果如圖1所示。

從圖1中可以看出，在三種分類方法中，文獻(xiàn)[5]分類方法的耗時相對較長，這與其前期的融合計(jì)算過程直接相關(guān)，本文方法與文獻(xiàn)[4]方法的耗時基本一致，并未出現(xiàn)增加分類時間的情況，這表明本文方法在提高分類精度的同時，并未對分類效率造成負(fù)面影響，具有實(shí)際應(yīng)用價值，可實(shí)現(xiàn)在不影響分類效率的條件下，提高分類效果的目的。

3 結(jié)束語

在互聯(lián)網(wǎng)時代背景下，數(shù)據(jù)呈現(xiàn)出爆發(fā)式增長的趨勢，數(shù)據(jù)的多樣性也顯著增加，在此背景下，對數(shù)據(jù)進(jìn)行準(zhǔn)確分類成

了提高數(shù)據(jù)利用效率的關(guān)鍵環(huán)節(jié)。本文提出基于深度學(xué)習(xí)的多源數(shù)據(jù)自動分類算法設(shè)計(jì)，在不增加計(jì)算耗時的基礎(chǔ)上，實(shí)現(xiàn)了對多源數(shù)據(jù)的高精度分類，為數(shù)據(jù)分類研究提供了有價值的參考。在后的研究中，可以在現(xiàn)有研究內(nèi)容的基礎(chǔ)上，加強(qiáng)在數(shù)據(jù)分類過程中的效率研究，降低數(shù)據(jù)分類的耗時，以滿足更大規(guī)模數(shù)據(jù)的分類需求。

參考文獻(xiàn)：

[1] 張曉丹.改進(jìn)的圖神經(jīng)網(wǎng)絡(luò)文本分類模型應(yīng)用研究——以NSTL科技期刊文獻(xiàn)分類為例[J].情報(bào)雜志，2021，40（1）：184-188.

[2] 王曉紅，諶鵬，劉芳，等.基于集成學(xué)習(xí)的強(qiáng)魯棒性三維點(diǎn)云數(shù)據(jù)分類研究[J].包裝工程，2021，42（3）：252-258.

[3] 任磊，劉國慶，王麗華，等.一種新型高效的移動端深度學(xué)習(xí)圖像分類系統(tǒng)[J].物聯(lián)網(wǎng)技術(shù)，2021，11（5）：58-63.

[4] 趙馨宇，黃福珍，周晨旭.基于ReLU稀疏性的MAXOUT卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類算法[J].上海電力大學(xué)學(xué)報(bào)，2020，36（3）：280-284.

[5] 王宏濤，雷相達(dá)，趙宗澤.融合光譜信息的機(jī)載LiDAR點(diǎn)云三維深度學(xué)習(xí)分類方法[J].激光與光電子學(xué)進(jìn)展，2020，57（12）：348-355.

[6] 陳俊夫，皮德常，張強(qiáng).一種基于遷移學(xué)習(xí)的遙測數(shù)據(jù)異常檢測方法[J].宇航學(xué)報(bào)，2021，42（4）：522-530.

[7] 師蕓，馬東暉，呂杰，等.基于流形光譜降維和深度學(xué)習(xí)的高光譜影像分類[J].農(nóng)業(yè)工程學(xué)報(bào)，2020，36（6）：151-160，323.

[8] 李曉峰，王妍瑋，李東.基于層次化深度學(xué)習(xí)的醫(yī)療數(shù)據(jù)庫離群數(shù)據(jù)檢測算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2020，29（3）：180-186.

[通聯(lián)編輯：唐一東]

收稿日期：2021-10-15

作者簡介：王艷然（1991—），女，河南鄭州人，助教，碩士，研究方向?yàn)橹悄苄畔⑻幚?楊鵬飛（1992—），男，河南新鄉(xiāng)人，助教，碩士，研究方向?yàn)樘摂M現(xiàn)實(shí)、人工智能。