[0007] 本发明针对现有技术的不足，提出了一种基于协同表示的安全半监督超限学习机分类方法。
[0008] 本发明基于协同表示的安全半监督超限学习机分类方法，包括以下步骤：
[0009] 步骤(1)、构建预测和重构基分类器，分析无标记样本的风险性；
[0010] 利用样本集{Xl,Yl}训练出超限学习机ELM分类器Cb，并且用同样的数据集构建出协同表示分类器Cd；其中分类器Cd是用来对无标记样本集Xu中的样本进行样本重构的，而分类器Cb是对样本重构前后进行输出对比使用；xl+j送入分类器Cd之后，获得重构样本 两者之间的重构误差小于阈值￡，并且两者送入分类器Cb之后所分类别一致时，即可认为该无标记样本是安全的，反之，则认为该无标记样本是不安全的；u表示无标记样本的个数，l表示有标记样本的个数，j＝1,2,...,u；
[0011] 步骤(2)、利用无标记样本的重构误差和分类一致性建立风险项；具体是：先对一个无标记样本xl+j利用协同表示分类器方法进行样本重构，获得最优的系数向量 并计算出重构样本 然后利用分类器Cb分别对重构前后的样本进行预测，获得预测标签分别为yl+j, 利用样本的重构误差和预测标签的一致性建立无标记样本的风险度如下：
[0012]
[0013] 从上述风险度表达式可以看出，当预测标签一致时，说明该样本比较安全，所以风险度会随着样本重构误差的增大而减小，而当预测标签不一致时，风险度会随着样本重构误差的增大而增大，σ为常系数，设为1；
[0014] 步骤(3)、将风险项系数结合到半监督超限学习机的损失函数中；具体是：对于未标记样本Xu中的每一个样本，使用步骤(2)中的过程对其进行样本重构，并计算对应的风险系数，然后结合原损失函数中的非平衡惩罚参数C，构建出样本风险对角矩阵S，并且其对角元素表示为：
[0015]
[0016] 其中其前l个元素的值为1，且对角矩阵S的对角元素
[0017] 利用得到的样本风险矩阵就改写原半监督超限学习机的损失函数为：
[0018]
[0019] 相对应的输出权值矩阵目标函数梯度变为：
[0020] ▽LSafe_SSELM＝β+HTS(Y‑Hβ)+λHTLHβ (4)
[0021] 运用半监督超限学习机的计算原理分析，利用矩阵的伪逆求解原理得到新的隐含层输出权值矩阵：
[0022] β*＝HT(Il+u+SHHT+λLHHT)‑1SY (5)
[0023] 其中Il+u是l+u维的单位矩阵，β是隐含层与输出之间的连接权值矩阵，H是激活函数矩阵，选择sigmoid函数、高斯函数或者核函数，L是半监督流行正则项矩阵，λ是流行正则项系数，Y是模型的输出矩阵，即标签矩阵；
[0024] 步骤(4)、利用步骤(3)中的隐含层权值计算公式就可以对无标签样本计算出相应的输出向量，使得模型具有了样本安全分析能力。
[0025] 本发明与已有的运动想象脑电信号分类方法相比，具有如下特点：
[0026] 1、采用半监督超限学习算法对多类脑电信号进行特征分类
[0027] 很多的机器学习方法被应用于脑电信号分类中，都取得了一定的研究成果，其中包括：线性判别分析法、神经网络、支持向量机、非线性贝叶斯分类器以及近邻分类器。但是这些分类器在进行模型训练时，往往都具有一个共同的劣势，那就是训练的耗时一般都较长，这对于一个实时的脑机接口系统设计是非常不利的，必须有效的提高模型的训练速率。本发明采用结构简单的超限学习机作为脑电信号分析的分类器，可以有效的解决训练耗时问题，并且在此之上，进一步使用半监督模型，结合无标签样本训练模型，使得分类性能得到提升，所以本发明兼顾了模型的训练耗时降低和性能的提升。
[0028] 2、引入安全策略来构建半监督超限学习机算法
[0029] 因为在半监督超限学习机的训练过程中需要用到无标记样本，而无标记样本的引入并不都是对半监督学习框架有利，有时候反而会损害分类器的性能，使得半监督模型不可控。为此，引入安全策略构建半监督超限学习机就是为了应对样本风险问题，所以本发明提出了基于协同表示的安全半监督学习算法来对脑电信号进行分析研究。既满足了分类准确率要求，而且保证了模型的优质性能。
