本发明涉及一种基于KL散度优化对数据进行分类的方法：将原始的图像、文本等数据进行数据预处理，将对象建模成多维分布；从有标签的训练数据中选择一定量的三元组进行模型训练；将所选择的三元组作为训练数据，在所有的均值向量上施加一个线性映射A并通过迭代优化学习最佳的线性映射，学习过程基于度量学习的基本假设，即同类样本之间的距离变小，不同类样本之间的距离变大；采用一种内蕴的梯度下降算法进行优化，将目标函数的梯度投影到同一个流形的切线空间之后，在给定一个仿射不变黎曼度量的SPD矩阵的流形上执行黎曼梯度下降；计算测试集与训练集之间的KL散度，采用K近邻(KNN)分类器对样本进行分类。本方法能够有效地提高系统的分类精度，并且拥有更稳定的性能。
声明：
“基于KL散度优化的数据分类系统与方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
1000
编辑：管理员
来源：北方有色网
咨询细节
