面向高维小样本数据分类的张量深度半监督学习方法

本发明公开了一种面向高维小样本数据分类的张量深度半监督学习方法，包括：对原始高维小样本数据进行预处理；构建包含特征提取模块和分类器模块的深度神经网络；基于预训练获得的低维嵌入表示，构建二阶相似度矩阵与三阶相似度张量；结合二阶相似度矩阵和三阶相似度张量，构造包含多阶平滑约束的目标函数；随后，以预训练获得的低维嵌入表示为输入，通过全连接层构成的标签传播网络，采用梯度下降算法对目标函数进行迭代优化，生成伪标签；将原始高维小样本数据、低维嵌入特征及伪标签共同输入深度神经网络，以半监督方式迭代更新网络直至收敛，输出最终预测结果。本发明实现了更精准的标签传播，提升半监督分类精度。