【技术实现步骤摘要】
基于图正则化的平滑范数受限非负矩阵分解的聚类方法
本专利技术涉及数据处理
，尤其涉及一种视图聚类方法。
技术介绍
随着通信技术与互联网技术的飞速发展，人们获取图像的能力越来越强，且获取的图像已呈现出维数高、数据量大、规模复杂等特点。虽然高维图像会给人带来更好的视觉体验，但也给图像数据的处理和保存带来了问题，故对数据降维成为了一种需要。图像处理技术发展到今日，研究人员根据不同的研究方法提出了多种数据降维方法，目前较为常用的数据表达方法有主成分分析(PrincipalComponentAnalysis,PCA)、线性判别分析(LinearDiscriminantAnalysis,LDA)、奇异值分解(SingularValueDecomposition,SVD)及非负矩阵分解(Non-negativeMatrixFactorization，NMF)。NMF作为一种常用的降维方法，是一种基于部分的数据表示方法，要求每个因子矩阵中的元素都必须是非负的，因其具有处理大规模数据速度快、对原始矩阵重构误差小、原始数据的统计信...
【技术保护点】
1.一种基于图正则化的平滑范数受限非负矩阵分解的聚类方法，其特征在于，包括：/nS10获取待聚类视图并构建最邻近图；/nS20构建基于图正则化的L
【技术特征摘要】
1.一种基于图正则化的平滑范数受限非负矩阵分解的聚类方法，其特征在于，包括：
S10获取待聚类视图并构建最邻近图；
S20构建基于图正则化的LP平滑范数受限非负矩阵分解的目标函数，所述目标函数中包括用于保持数据空间内几何结构和提高平滑度的平滑正则化项及用于标记样本类别信息的图正则项；
S30以Frobenius范数为度量标准，根据目标函数使用迭代加权的方法迭代预设次数，得到待聚类视图的特征矩阵；
S40采用k-means聚类算法分别对各聚类视图的特征矩阵进行分析，实现视图聚类。
2.如权利要求1所述的聚类方法，其特征在于，在步骤S20中，建立的目标函数O为：
其中，X为待聚类视图数据集；U为特征矩阵，V为系数矩阵，且V＝AZ，Z为辅助矩阵，Z∈R(c+n-l)×k，k＝m且k＝n...
【专利技术属性】
技术研发人员：舒振球，翁宗慧，张云猛，李鹏，由从哲，邱骏达，范洪辉，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。