基于排他性正则化的多视图低秩稀疏子空间聚类方法技术

本发明专利技术公开了一种基于排他性正则化的多视图低秩稀疏子空间聚类方法。通过对子空间表示系数矩阵的低秩和稀疏约束，同时保证了系数矩阵的低秩性和稀疏性。另外，对不同视图子空间系数矩阵进行排他性约束，使其视图尽可能多样化，以充分利用不同视图之间的信息。然后，利用所得到的系数矩阵，构建一个所有视图共享的关联矩阵。最后，由谱聚类方法对关联矩阵进行聚类操作。本专利采用交替方向乘子法对模型进行求解。通过与已有多视图子空间聚类方法在不同数据集上的实验对比，本专利方法具有更好的聚类性能。

Low rank sparse subspace clustering method based on exclusive regularization

【技术实现步骤摘要】
基于排他性正则化的多视图低秩稀疏子空间聚类方法
本专利技术属于数据处理领域，具体涉及基于排他性正则化的多视图低秩稀疏子空间聚类方法。
技术介绍
在近十几年里，子空间聚类已成为一个热门研究话题。在计算机视觉和图像处理应用中，数据往往是高维的，其通常可由低维子空间表示。当数据点都分布在单个子空间中时，其主要目的是找出子空间的基和数据点的低维表示。常用方法有主成分分析、独立成分分析和非负矩阵分解。另一方面,当数据点分布在不同子空间时，可通过标准聚类算法进行解决，如k-means聚类算法。然而，这些方法是以数据点分布在质心周围的前提下进行的,当数据点随意分布时,将无法获得较好的结果。实际上，同一组数据可由若干不同的表示或视图组成。例如，网页通常包含页面文本和超链接信息；网络上的图像有与之相关的文字说明；在多语言信息检索中，同一文档具有不同语言的多种表示等等。不同视图描述着数据的不同且部分独立的信息，因此，如何集成多个视图信息并探究不同视图间内在结构是多视图学习的主要任务。多视图子空间聚类可以被视为多视图学习的一部分。其主要通过假设不同视图间共享本文档来自技高网...

【技术保护点】
1.基于排他性正则化的多视图低秩稀疏子空间聚类方法，其特征在于：包括以下步骤：/n(1)对于给定的多视图数据X，按照低秩稀疏子空间聚类方法对每个视图数据的表示系数矩阵Z分别进行低秩和稀疏约束；/n(2)对于不同视图数据，分别对表示系数矩阵Z两两进行排他性约束；/n(3)采用交替方向乘子法对模型进行求解；/n(4)利用所得到的系数矩阵Z

【技术特征摘要】
1.基于排他性正则化的多视图低秩稀疏子空间聚类方法，其特征在于：包括以下步骤：
(1)对于给定的多视图数据X，按照低秩稀疏子空间聚类方法对每个视图数据的表示系数矩阵Z分别进行低秩和稀疏约束；
(2)对于不同视图数据，分别对表示系数矩阵Z两两进行排他性约束；
(3)采用交替方向乘子法对模型进行求解；
(4)利用所得到的系数矩阵Zavg计算关联矩阵W，然后对关联矩阵进行谱聚类操作，得出聚类结果。


2.根据权利要求1所述的基于排他性正则化的多视图低秩稀疏子空间聚类方法，其特征在于：在步骤(1)中，对每个视图数据的表示系数矩阵Z分别进行低秩和稀疏约束，其表达式为



s.t.X(v)＝X(v)Z...

【专利技术属性】
技术研发人员：曹飞龙，张清华，
申请(专利权)人：广东石油化工学院，
类型：发明
国别省市：广东;44