主成分分析模型的获取方法、装置和电子设备与流程

1.本技术涉及数据处理技术领域，尤其涉及一种主成分分析模型的获取方法、装置和电子设备。


背景技术：

2.主成分分析(principal component analysis，pca)方法是目前机器学习、数据科学等领域应用广泛一种数据分析方法。主要用于对高维数据进行降维处理，以提取数据的特征分量。
3.在通过主成分分析模型对高维数据降维处理时，需要先获取主成分分析模型。相关技术中，在获取主成分分析模型时，主要是基于欧式空间的算法，例如近端算法、置信域法、拟牛顿法。但是，基于欧式空间的算法，会主成分分析模型的获取效率较低。


技术实现要素：

4.本技术实施例提供了一种主成分分析模型的获取方法、装置和电子设备，提高了主成分分析模型的获取效率。
5.第一方面，本技术实施例提供了一种主成分分析模型的获取方法，该主成分分析模型的获取方法可以包括：
6.s1：根据多个样本数据，确定初始主成分分析模型中的模型参数在当前迭代点的迭代方向。
7.s2：对所述当前迭代点的迭代方向进行转换，得到所述当前迭代点的黎曼梯度。
8.s3：根据所述当前迭代点的黎曼梯度，确定主成分分析模型。
9.在一种可能的实现方式中，所述根据所述当前迭代点的黎曼梯度，确定主成分分析模型，包括：
10.s4：基于所述当前迭代点的切空间和所述当前迭代点的黎曼梯度，确定下一个迭代点，并将所述下一个迭代点作为新的当前迭代点。
11.重复执行上述s2和s4，直至满足停止条件，并将最后一次得到的迭代点确定为所述初始主成分分析模型的模型参数，得到主成分分析模型。
12.在一种可能的实现方式中，所述基于所述当前迭代点的切空间和所述当前迭代点的黎曼梯度，确定下一个迭代点，包括：
13.在所述当前迭代点的切空间中，基于预设步长在负黎曼梯度的负方向上确定目标点。
14.对所述目标点执行拉回操作，得到所述下一个迭代点。
15.在一种可能的实现方式中，所述对所述当前迭代点的迭代方向进行转换，得到所述当前迭代点的黎曼梯度，包括：
16.获取线性算子。
17.基于所述线性算子对所述当前迭代点的迭代方向进行转换，得到所述当前迭代点
的黎曼梯度。
18.在一种可能的实现方式中，其中，所述当前迭代点为首个迭代点，所述多个样本数据包括第一样本数据；所述根据多个样本数据，确定初始主成分分析模型中的模型参数在当前迭代点的迭代方向，包括：
19.根据所述第一样本数据，对所述初始主成分分析模型中的模型参数进行初始化，得到所述模型参数在所述当前迭代点的迭代方向。
20.在一种可能的实现方式中，其中，所述当前迭代点为非首个迭代点，所述多个样本数据包括第一样本数据和第二样本数据；所述根据多个样本数据，确定初始主成分分析模型中的模型参数在当前迭代点的迭代方向，包括：
21.根据所述第一样本数据、所述第二样本数据及预设概率，确定所述模型参数在所述当前迭代点的迭代方向；其中，所述预设概率用于表征所述第一样本数据和所述第二样本数据的配比。
22.在一种可能的实现方式中，所述根据所述第一样本数据、所述第二样本数据及预设概率，确定所述模型参数在所述当前迭代点的迭代方向，包括：
23.若所述预设概率在第一预设范围内，则将采用所述第一样本数据确定的所述模型参数在所述当前迭代点的第一随机欧式梯度，确定为所述模型参数在所述当前迭代点的迭代方向。
24.若所述预设概率在第二预设范围内，则根据采用所述第二样本数据确定的所述模型参数在所述当前迭代点的第二随机欧式梯度、采用所述第二样本数据确定的所述模型参数在所述当前迭代点的前一个迭代点的欧式梯度，以及采用所述第一样本数据确定的所述模型参数在所述前一个迭代点的迭代方向，确定所述模型参数在所述当前迭代点的迭代方向。
25.在一种可能的实现方式中，所述根据采用所述第二样本数据确定的所述模型参数在所述当前迭代点的第二随机欧式梯度、采用所述第二样本数据确定的所述模型参数在所述当前迭代点的前一个迭代点的欧式梯度，以及采用所述第一样本数据确定的所述模型参数在所述前一个迭代点的迭代方向，确定所述模型参数在所述当前迭代点的迭代方向，包括：
26.确定所述第二随机欧式梯度和所述欧式梯度的差值。
27.将所述差值和所述迭代方向的和，确定为所述模型参数在所述当前迭代点的迭代方向。
28.第二方面，本技术实施例还提供了一种主成分分析模型的获取装置，该主成分分析模型的获取装置可以包括：
29.确定单元，用于s1：根据多个样本数据，确定初始主成分分析模型中的模型参数在当前迭代点的迭代方向。
30.转换单元，用于s2：对所述当前迭代点的迭代方向进行转换，得到所述当前迭代点的黎曼梯度。
31.处理单元，用于s3：根据所述当前迭代点的黎曼梯度，确定主成分分析模型。
32.在一种可能的实现方式中，所述处理单元包括第一处理模块和第二处理模块。
33.所述第一处理模块，用于s4：基于所述当前迭代点的切空间和所述当前迭代点的
黎曼梯度，确定下一个迭代点，并将所述下一个迭代点作为新的当前迭代点。
34.所述第二处理模块，用于重复执行上述s2和s4，直至满足停止条件，并将最后一次得到的迭代点确定为所述初始主成分分析模型的模型参数，得到主成分分析模型。
35.在一种可能的实现方式中，所述第一处理模块，具体用于在所述当前迭代点的切空间中，基于预设步长在负黎曼梯度的负方向上确定目标点；对所述目标点执行拉回操作，得到所述下一个迭代点。
36.在一种可能的实现方式中，所述转换单元包括第一转换模块和第二转换模块。
37.所述第一转换模块，用于获取线性算子。
38.所述第二转换模块，用于基于所述线性算子对所述当前迭代点的迭代方向进行转换，得到所述当前迭代点的黎曼梯度。
39.在一种可能的实现方式中，所述当前迭代点为首个迭代点，所述多个样本数据包括第一样本数据，所述确定单元包括第一确定模块。
40.所述第一确定模块，用于根据所述第一样本数据，对所述初始主成分分析模型中的模型参数进行初始化，得到所述模型参数在所述当前迭代点的迭代方向。
41.在一种可能的实现方式中，所述当前迭代点为非首个迭代点，所述多个样本数据包括第一样本数据和第二样本数据，所述确定单元包括第二确定模块。
42.所述第二确定模块，用于根据所述第一样本数据、所述第二样本数据及预设概率，确定所述模型参数在所述当前迭代点的迭代方向；其中，所述预设概率用于表征所述第一样本数据和所述第二样本数据的配比。
43.在一种可能的实现方式中，所述第二确定模块，具体用于若所述预设概率在第一预设范围内，则将采用所述第一样本数据确定的所述模型参数在所述当前迭代点的第一随机欧式梯度，确定为所述模型参数在所述当前迭代点的迭代方向。
44.若所述预设概率在第二预设范围内，则根据采用所述第二样本数据确定的所述模型参数在所述当前迭代点的第二随机欧式梯度、采用所述第二样本数据确定的所述模型参数在所述当前迭代点的前一个迭代点的欧式梯度，以及采用所述第一样本数据确定的所述模型参数在所述前一个迭代点的迭代方向，确定所述模型参数在所述当前迭代点的迭代方向。
45.在一种可能的实现方式中，所述第二确定模块，具体用于确定所述第二随机欧式梯度和所述欧式梯度的差值；将所述差值和所述迭代方向的和，确定为所述模型参数在所述当前迭代点的迭代方向。
46.第三方面，本技术实施例还提供了一种电子设备，该电子设备可以包括：存储器和处理器；
47.存储器；用于存储计算机程序；
48.所述处理器，用于读取所述存储器存储的计算机程序，并根据所述存储器中的计算机程序执行上述第一方面任一种可能的实现方式所述的主成分分析模型的获取方法。
49.第四方面，本技术实施例还提供了一种可读存储介质，所述计算机程序中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面任一种可能的实现方式所述的主成分分析模型的获取方法。
50.第五方面，本技术实施例还提供了一种计算机程序产品，所述计算机程序产品包
括计算机程序，所述计算机程序被执行时实现如第一方面任一种可能的实现方式所述的主成分分析模型的获取方法。
51.由此可见，本技术实施例提供的主成分分析模型的获取方法、装置和电子设备，在获取主成分分析模型时，可以先根据多个样本数据，确定初始主成分分析模型中的模型参数在当前迭代点的迭代方向，对当前迭代点的迭代方向进行转换，得到当前迭代点的黎曼梯度；再根据当前迭代点的黎曼梯度，确定主成分分析模型。这样通过将欧式框架下的迭代方向转换为黎曼梯度，并在黎曼框架下确定新的迭代点，使得可以充分利用正交约束的几何信息，得到主成分分析模型，从而有效地提高了主成分分析模型的获取效率。
附图说明
52.图1为本技术实施例提供的一种主成分分析模型的获取方法的流程示意图；
53.图2为本技术实施例提供的一种主成分分析模型的获取装置的结构示意图；
54.图3为本技术实施例提供的一种电子设备的结构示意图。
55.通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
56.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
57.在本发明的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况，其中a，b可以是单数或者复数。在本发明的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。
58.本技术实施例提供的技术方案可以应用于例如，数据压缩、数据降维以及特征提取等场景中。以数据降维场景为例，可以采用主成分分析(principal component analysis，pca)方法对高维数据进行降维处理，以提取数据的特征分量。
59.在通过主成分分析模型对高维数据降维处理时，通常需要先获取主成分分析模型。相关技术中，在获取主成分分析模型时，可以将其转换为优化问题，可参见下述公式1：
[0060][0061]
其中，f(w)表示主成分分析模型，样本x∈rd抽样于一个未知但确定的分布w表示模型参数。
[0062]
给定一个源于分布的n个样本xi，i＝1，2，...，n，可以采用下述经验风险最小化(empirical risk minimization，erm)，近似计算上述优化问题。
[0063]
[0064]
其中，表示标准化的协方差矩阵，w
*
表示f(w)达到最小值时w的取值，可以理解为优化后的f(w)的模型参数，f(w)的模型参数确定后，对应的主成分分析模型也随之确定。
[0065]
通过上述公式2确定优化后的f(w)的模型参数w
*
时，主要是基于欧式空间的算法，例如近端算法、置信域法、拟牛顿法。但是，基于欧式空间的算法，无法充分利用正交约束的几何信息，因此，会导致主成分分析模型的获取效率较低。
[0066]
为了可以充分利用正交约束的几何信息，以提高主成分分析模型的获取效率，考虑到黎曼优化算法能够充分考虑正交约束的几何信息这一优势，因此，在获取主成分分析模型时，可以采用基于黎曼优化算法将约束规划问题，可参见上述公示2，转化为无约束优化问题进行求解，以计算主成分分析模型的模型参数，提高了模型参数的计算效率，模型参数确定后，对应的主成分分析模型也随之确定，提高了主成分分析模型的获取效率。
[0067]
基于上述技术构思，本技术实施例提供了一种主成分分析模型的获取方法，在详细描述本技术实施例提供的技术方案之前，先对本技术实施例涉及的几个概念进行解释。
[0068]
其中，方差约减，是指在随机优化中，为了消除随机梯度引入的偏差而采用的使用历史梯度信息来更正当前梯度信息的一种技术。
[0069]
向量转移，是指流形上不同点定义的切空间中的切向量之间的转移。
[0070]
切空间：一个流形是一个赋予微分结构的局部的欧式空间，在流形上每一点x可以定义其相应的切空间，切空间可以看作是点x附近局部一阶逼近。
[0071]
stiefel流形，是指列正交的大小为n
×
d的所有矩阵的集合，即：st(n，d)：＝{x∈rn×d：x
t
x＝i}。
[0072]
黎曼梯度：在点x点处的黎曼梯度grad f(x)是指对切空间中的任意元素z，在x点的方向导数df(x)[z]＝《gradf(x)，z》
x
恒成立。
[0073]
拉回操作，是指对任意流形上的点x，沿着切空间任一方向z拉回到流形是指存在一个平滑映射rt(t)＝rt(x，tz)满足rt(0)＝x，rt
′
(0)＝z，其中，0是指在x处切空间的原点，
[0074]
∈-稳定点：针对一个随机优化问题和一个随机优化算法，存在一个∈＞0使得该算法最后的输出x满足e[||grad f(x)||]≤∈。
[0075]
ifo复杂度：对一个有限和函数一个ifo是指输入一个(i，x)，i∈[n]，返回一个
[0076]
在充分理解申请实施例涉及的几个概念后，下面，将通过具体的实施例对本技术提供的主成分分析模型的获取方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
[0077]
图1为本技术实施例提供的一种主成分分析模型的获取方法的流程示意图，该主成分分析模型的获取方法可以由软件和/或硬件装置执行，例如，该硬件装置可以为主成分分析模型的获取装置，该主成分分析模型的获取装置可以终端或者服务器。示例的，请参见图1所示，该主成分分析模型的获取方法可以包括：
[0078]
s1：根据多个样本数据，确定初始主成分分析模型中的模型参数在当前迭代点的
迭代方向。
[0079]
在本技术实施例中，后续基于黎曼优化算法，在黎曼框架下计算主成分分析模型的模型参数时，模型参数的计算是一个迭代的过程，需要通过初始主成分分析模型进行多次迭代，才能依次找到多个迭代点，并将满足停止条件时的迭代点确定为最终的模型参数，从而获取到主成分分析模型。
[0080]
示例的，停止条件可以为迭代次数达到预设次数阈值，也可以为迭代时间达到预设时间阈值，也可以为其他停止条件，具体可以根据实际需要进行设置。在后续的描述中，将以停止条件可以为迭代次数达到预设次数阈值为例进行说明，但并不代表本技术实施例仅局限于此。
[0081]
在迭代过程中，考虑到后续在黎曼框架下计算主成分分析模型的模型参数时，该黎曼优化算法可以为黎曼随机优化算法，由于黎曼随机优化算法自身的随机性会引入梯度估计偏差，目前，虽然采用一些方差约减的技术可以对梯度估计偏差进行修正，但是，基于方差约减的黎曼随机优化算法均需要使用向量转移操作，将不同点的黎曼梯度转移到统一的切空间中进行加减操作，这样会导致模型参数的计算效率较低，甚至方差约减的黎曼随机优化算法根本无法运行。
[0082]
为了提高模型参数的计算效率，在每一次迭代过程中，可以利用stiefel流形中欧式梯度和黎曼梯度的关系，将原有的黎曼梯度下进行的向量转移操作移除，使得针对每一次迭代过程，只需要在欧式框架下进行欧式梯度相加减直接进行方差约减，这样就可以避免现有算法每次迭代都需要进行向量转移操作的问题，从而提高模型参数的计算效率，并且，减少了算法的计算消耗。
[0083]
基于上述考虑，在迭代过程中，可以确定迭代点的迭代方向，并在欧式框架下进行欧式梯度相加减直接进行方差约减。在迭代过程中，基于迭代点对应的迭代方向的确定方法不同，可以将迭代点分为首个迭代点和非首个迭代点，因此，上述s1中的当前迭代点可以为首个迭代点，也可以为非首个迭代点；对应的，在上述s1中，根据多个样本数据，确定初始主成分分析模型中的模型参数在当前迭代点的迭代方向时，可以包括两种情况：
[0084]
在一种情况下，当前迭代点为首个迭代点，则在根据多个样本数据，确定初始主成分分析模型中的模型参数在当前迭代点的迭代方向时，可以直接根据第一样本数据，对初始主成分分析模型中的模型参数进行初始化，得到模型参数在当前迭代点的迭代方向，从而获取到模型参数在当前迭代点的迭代方向。
[0085]
示例的，结合下述所示的基于方差约减的黎曼随机优化算法：
[0086]
(1)
[0087]
(2)for t＝0，1，...，m-1do
[0088]
(3)grad g
t
＝p
ρ
(w
t
，g
t
)#计算随机黎曼梯度
[0089]
(4)w
t 1
＝rt(w
t
，-ηgrad g
t
)#沿着-ηgrad g
t
执行拉回操作
[0090]
(5)
[0091]
在该种情况下，若当前迭代点为首个迭代点，则根据多个样本数据，确定初始主成分分析模型中的模型参数在当前迭代点的迭代方向，可参见上述(1)，其中，f(w)表示初始
主成分分析模型，即还没有得到最终模型参数的模型，s1表示第一样本数据，w0表示当前的首个迭代点，go表示模型参数在首个迭代点的迭代方向，从而获取到模型参数在首个迭代点的迭代方向。
[0092]
在另一种情况下，当前迭代点为非首个迭代点，则在根据多个样本数据，确定初始主成分分析模型中的模型参数在当前迭代点的迭代方向时，可以在第一样本数据的基础上，结合第二样本数据及预设概率，共同确定模型参数在当前迭代点的迭代方向；其中，预设概率用于表征第一样本数据和第二样本数据的配比。
[0093]
示例的，根据第一样本数据、第二样本数据及预设概率，确定模型参数在当前迭代点的迭代方向时：若预设概率在第一预设范围内，则将采用第一样本数据确定的模型参数在当前迭代点的第一随机欧式梯度，确定为模型参数在当前迭代点的迭代方向。
[0094]
其中，第一预设范围的取值可以根据实际需要进行设置，在此，对于第一预设范围的取值，本技术实施例不做进一步地限制。
[0095]
示例的，可参见上述基于方差约减的黎曼随机优化算法，假设当前迭代次数为第t次迭代，t的取值为0，1，
…
，m-1，当前迭代点为w
t
，参见上述基于方差约减的黎曼随机优化算法中的(5)，模型参数在当前迭代点w
t
对应的迭代方向可以表示为：从而获取到模型参数在当前迭代点的迭代方向。
[0096]
其中，为采用第一样本数据s1确定的模型参数在当前迭代点w
t
的随机欧式梯度，为了与后续的随机欧式梯度进行区别，可记为第一随机欧式梯度。
[0097]
若预设概率在第二预设范围内，则根据采用第二样本数据确定的模型参数在当前迭代点的第二随机欧式梯度、采用第二样本数据确定的模型参数在当前迭代点的前一个迭代点的欧式梯度，以及采用第一样本数据确定的模型参数在前一个迭代点的迭代方向，确定模型参数在当前迭代点的迭代方向。
[0098]
其中，第二预设范围的取值可以根据实际需要进行设置，在此，对于第二预设范围的取值，本技术实施例不做进一步地限制。
[0099]
示例的，根据第二随机欧式梯度、欧式梯度，以及迭代方向，确定模型参数在当前迭代点的迭代方向时，可以先确定第二随机欧式梯度和欧式梯度的差值；并将差值和迭代方向的和，确定为模型参数在当前迭代点的迭代方向。
[0100]
示例的，可参见上述基于方差约减的黎曼随机优化算法，假设当前迭代次数为第t次迭代，t的取值为0，1，
…
，m-1，当前迭代点为w
t
，参见上述基于方差约减的黎曼随机优化算法中的(5)，模型参数在当前迭代点w
t
对应的迭代方向可以表示为：从而获取到模型参数在当前迭代点的迭代方向。
[0101]
其中，为采用第二样本数据s2确定的模型参数在当前迭代点的随机欧式梯度，可记为第二随机欧式梯度；为采用第二样本数据s2确定的模型参数在当前迭代点的前一个迭代点w
t-1
的欧式梯度，g
t-1
为第一样本数据s1确定的模型参数在前一个迭代点w
t-1
的迭代方向。
[0102]
在根据样本数据确定模型参数在当前迭代点的迭代方向时，迭代方向g
t
的估计是以预设概率p采用batch大小为|s1|的小批量第一样本数据的随机梯度法，以概率1-p采用batch大小为|s2|的小批量第一样本数据的随机方差约减算法，将原有的黎曼梯度下进行
的向量转移操作移除，使得针对每一次迭代过程，只需要在欧式框架下进行欧式梯度相加减直接进行方差约减，这样就可以避免现有算法每次迭代都需要进行向量转移操作的问题，提高了模型参数的计算效率，并且减少了算法的计算消耗。
[0103]
在获取到当前迭代点的迭代方向后，考虑到黎曼优化算法能够充分考虑正交约束的几何信息这一优势，因此，可以将当前迭代点的迭代方向转换为黎曼梯度，即执行下述s2，以在黎曼框架下计算主成分分析模型的模型参数。
[0104]
s2：对当前迭代点的迭代方向进行转换，得到当前迭代点的黎曼梯度。
[0105]
示例的，在对当前迭代点的迭代方向进行转换时，可以先获取线性算子；基于线性算子对当前迭代点的迭代方向进行转换，得到当前迭代点的黎曼梯度。
[0106]
基于线性算子对当前迭代点的迭代方向进行转换时，可以借助于stiefel流形下，黎曼梯度和欧式梯度的关系对当前迭代点的迭代方向进行转换。示例的，可参见上述基于方差约减的黎曼随机优化算法，假设当前迭代次数为第t次迭代，t的取值为0，1，
…
，m-1，当前迭代点为w
t
，参见上述基于方差约减的黎曼随机优化算法中的(3)，模型参数在当前迭代点w
t
的迭代方向可以表示为g
t
，可以grad g
t
＝p
ρ
(w
t
，g
t
)，将当前迭代点w
t
的迭代方向转换为黎曼梯度，得到当前迭代点w
t
的黎曼梯度。其中，grad g
t
表示当前迭代点w
t
的黎曼梯度，p
ρ
表示线性算子，p
ρ
(x，y)＝(i-xx
t
)y 2ρx(x
t
y-y
t
x)。
[0107]
在得到当前迭代点的黎曼梯度后，就可以根据当前迭代点的黎曼梯度，确定主成分分析模型，即执行下述s3：
[0108]
s3：根据当前迭代点的黎曼梯度，确定主成分分析模型。
[0109]
示例的，在本技术实施例中，根据当前迭代点的黎曼梯度，确定主成分分析模型时，可以包括：
[0110]
s4：基于当前迭代点的切空间和当前迭代点的黎曼梯度，确定下一个迭代点，并将下一个迭代点作为新的当前迭代点。
[0111]
重复执行上述s2和s4，直至满足停止条件，并将最后一次得到的迭代点确定为初始主成分分析模型的模型参数，得到主成分分析模型。
[0112]
示例的，在上述s4中，基于当前迭代点的切空间和当前迭代点的黎曼梯度，确定下一个迭代点时，可以先在当前迭代点的切空间中，基于预设步长在负黎曼梯度的负方向上确定目标点；再对目标点执行拉回操作，得到下一个迭代点，这样在黎曼框架下，采用拉回操作将目标点拉回到stiefel流形上，使得下一个迭代点满足约束条件。
[0113]
示例的，可参见上述基于方差约减的黎曼随机优化算法，假设当前迭代次数为第t次迭代，t的取值为0，1，
…
，m-1，当前迭代点为w
t
，参见上述基于方差约减的黎曼随机优化算法中的(4)，模型参数在当前迭代点w
t
的迭代方向可以表示为g
t
，模型参数在当前迭代点w
t
对应的黎曼梯度为grad g
t
，可以根据w
t 1
＝rt(w
t
，-ηgrad g
t
)，执行拉回操作，得到下一个迭代点，可记为w
t 1
，其中，rt表示拉回操作，η表示预设步长，从而得到当前迭代点w
t
的下一个迭代点w
t 1
。
[0114]
参见上述基于方差约减的黎曼随机优化算法，在得到当前迭代点w
t
的下一个迭代点w
t 1
后，可以重复执行上述(3)-(5)，直至迭代次数为m次，并将最后一次得到的迭代点确定为初始主成分分析模型的模型参数，从而得到主成分分析模型。
[0115]
参见上述基于方差约减的黎曼随机优化算法所示，基于方差约减的黎曼随机优化
算法是一个单循环算法，相比较现有的双循环框架算法，其迭代次数低，运算效率高，从而提高了主成分分析模型的获取效率。
[0116]
可以看出，本技术实施例中，在获取主成分分析模型时，可以先根据多个样本数据，确定初始主成分分析模型中的模型参数在当前迭代点的迭代方向，对当前迭代点的迭代方向进行转换，得到当前迭代点的黎曼梯度；再根据当前迭代点的黎曼梯度，确定主成分分析模型。这样通过将欧式框架下的迭代方向转换为黎曼梯度，并在黎曼框架下确定新的迭代点，使得可以充分利用正交约束的几何信息，得到主成分分析模型，从而有效地提高了主成分分析模型的获取效率。
[0117]
此外，通过实验验证，采用本技术实施例提供的技术方案，在求解上述公式1所示的问题时，达到∈-稳定点的ifo复杂度可以达到目前最优的在求解上述公式2所示的问题时，达到∈-稳定点的ifo复杂度同样可以达到目前最优的并且，由于本技术实施例提供的技术方案采用的是单循环算法，且没有向量转移等复杂的运算操作，因此，本技术实施例提供的技术方案的计算效率较高。
[0118]
图2为本技术实施例提供的一种主成分分析模型的获取装置20的结构示意图，示例的，请参见图2所示，该主成分分析模型的获取装置20可以包括：
[0119]
确定单元201，用于s1：根据多个样本数据，确定初始主成分分析模型中的模型参数在当前迭代点的迭代方向。
[0120]
转换单元202，用于s2：对当前迭代点的迭代方向进行转换，得到当前迭代点的黎曼梯度。
[0121]
处理单元203，用于s3：根据当前迭代点的黎曼梯度，确定主成分分析模型。
[0122]
可选的，处理单元203包括第一处理模块和第二处理模块。
[0123]
第一处理模块，用于s4：基于当前迭代点的切空间和当前迭代点的黎曼梯度，确定下一个迭代点，并将下一个迭代点作为新的当前迭代点。
[0124]
第二处理模块，用于重复执行上述s2和s4，直至满足停止条件，并将最后一次得到的迭代点确定为初始主成分分析模型的模型参数，得到主成分分析模型。
[0125]
可选的，第一处理模块，具体用于在当前迭代点的切空间中，基于预设步长在负黎曼梯度的负方向上确定目标点；对目标点执行拉回操作，得到下一个迭代点。
[0126]
可选的，转换单元202包括第一转换模块和第二转换模块。
[0127]
第一转换模块，用于获取线性算子。
[0128]
第二转换模块，用于基于线性算子对当前迭代点的迭代方向进行转换，得到当前迭代点的黎曼梯度。
[0129]
可选的，当前迭代点为首个迭代点，多个样本数据包括第一样本数据，确定单元201包括第一确定模块。
[0130]
第一确定模块，用于根据第一样本数据，对初始主成分分析模型中的模型参数进行初始化，得到模型参数在当前迭代点的迭代方向。
[0131]
可选的，当前迭代点为非首个迭代点，多个样本数据包括第一样本数据和第二样本数据，确定单元201包括第二确定模块。
[0132]
第二确定模块，用于根据第一样本数据、第二样本数据及预设概率，确定模型参数
在当前迭代点的迭代方向；其中，预设概率用于表征第一样本数据和第二样本数据的配比。
[0133]
可选的，第二确定模块，具体用于若预设概率在第一预设范围内，则将采用第一样本数据确定的模型参数在当前迭代点的第一随机欧式梯度，确定为模型参数在当前迭代点的迭代方向。
[0134]
若预设概率在第二预设范围内，则根据采用第二样本数据确定的模型参数在当前迭代点的第二随机欧式梯度、采用第二样本数据确定的模型参数在当前迭代点的前一个迭代点的欧式梯度，以及采用第一样本数据确定的模型参数在前一个迭代点的迭代方向，确定模型参数在当前迭代点的迭代方向。
[0135]
可选的，第二确定模块，具体用于确定第二随机欧式梯度和欧式梯度的差值；将差值和迭代方向的和，确定为模型参数在当前迭代点的迭代方向。
[0136]
本技术实施例提供的主成分分析模型的获取装置20，可以执行上述任一实施例中主成分分析模型的获取方法的技术方案，其实现原理以及有益效果与主成分分析模型的获取方法的实现原理及有益效果类似，可参见主成分分析模型的获取方法的实现原理及有益效果，此处不再进行赘述。
[0137]
图3为本技术实施例提供的一种电子设备30的结构示意图，示例的，请参见图3所示，该电子设备30可以包括处理器301和存储器302；其中，
[0138]
所述存储器302，用于存储计算机程序。
[0139]
所述处理器301，用于读取所述存储器302存储的计算机程序，并根据所述存储器302中的计算机程序执行上述任一实施例中的主成分分析模型的获取方法的技术方案。
[0140]
可选地，存储器302既可以是独立的，也可以跟处理器301集成在一起。当存储器302是独立于处理器301之外的器件时，电子设备30还可以包括：总线，用于连接存储器302和处理器301。
[0141]
可选地，本实施例还包括：通信接口，该通信接口可以通过总线与处理器301连接。处理器301可以控制通信接口来实现上述电子设备30的获取和发送的功能。
[0142]
本技术实施例所示的电子设备30，可以执行上述任一实施例中主成分分析模型的获取方法的技术方案，其实现原理以及有益效果与主成分分析模型的获取方法的实现原理及有益效果类似，可参见主成分分析模型的获取方法的实现原理及有益效果，此处不再进行赘述。
[0143]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现上述任一实施例中主成分分析模型的获取方法的技术方案，其实现原理以及有益效果与主成分分析模型的获取方法的实现原理及有益效果类似，可参见主成分分析模型的获取方法的实现原理及有益效果，此处不再进行赘述。
[0144]
本技术实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，实现上述任一实施例中主成分分析模型的获取方法的技术方案，其实现原理以及有益效果与主成分分析模型的获取方法的实现原理及有益效果类似，可参见主成分分析模型的获取方法的实现原理及有益效果，此处不再进行赘述。
[0145]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅
仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所展示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0146]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元展示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0147]
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本技术各个实施例方法的部分步骤。
[0148]
应理解的是，上述处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
[0149]
存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，还可以为u盘、移动硬盘、只读存储器、磁盘或光盘等。
[0150]
总线可以是工业标准体系结构(industry standard architecture，isa)总线、外部设备互连(peripheral component，pci)总线或扩展工业标准体系结构(extended industry standard architecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本技术附图中的总线并不限定仅有一根总线或一种类型的总线。
[0151]
上述计算机可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
[0152]
最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。