一种基于自适应稀疏图学习的多视图聚类方法技术

本发明专利技术公开了一种基于自适应稀疏图学习的多视图聚类方法，包括如下步骤：首先，针对每个视图的数据矩阵，通过自适应近邻学习得到每个视图的相似矩阵；然后，对每个视图的相似矩阵进行自动加权，利用稀疏约束，学习得到一个具有稀疏结构的共享相似矩阵；最后，使用基于乘数交替方向法ADMM的高效迭代更新算法对目标函数进行优化，在共享相似矩阵上实施标准谱聚类得到最终的聚类结果。本发明专利技术提高每个视图相似图质量的同时，也增强了对噪声和异常值的鲁棒性。本发明专利技术计算复杂度近似等于基于单视图的谱聚类方法，不仅模型计算速度快，而且框架简单易于实现。

【技术实现步骤摘要】
一种基于自适应稀疏图学习的多视图聚类方法
本专利技术属于数据分析
，尤其涉及一种基于自适应稀疏图学习的多视图聚类方法。
技术介绍
聚类是一种常用于机器学习、模式识别、数据挖掘、人工智能等领域的数据分析方法，其目标是根据数据的特征将数据集划分为由相似对象组成的多个子集。随着互联网技术和传感器技术的迅速发展，实际获取的数据描述已经从过去的单一视图演变成无处不在的多视图描述，多视图数据可以为数据分析任务提供更为充分的信息，多视图数据在语义上更丰富，更有用，但更复杂。大量研究表明，与单视图学习相比，多视图学习更有效、更鲁棒和具有更好的泛化能力。多视图学习方法旨在模拟每个视图以学习一个函数，并通过共同优化所有函数来提高泛化性能，从而有效地融合来自不同视图的信息。多视图聚类的目的是利用多视图数据的兼容和互补信息，将数据点分组为一定数量的模式，现有算法主要包括基于图的方法、矩阵分解方法、多核学习方法和子空间学习方法。其中，基于图的方法由于其简单、高效而受到广泛关注，基于图的方法可以细分为多视图谱聚类方法和多视图子空间聚类方法，多视图谱聚类方法通本文档来自技高网...

【技术保护点】
1.一种基于自适应稀疏图学习的多视图聚类方法，其特征在于，包括以下步骤：/n(1)由数据矩阵通过自适应近邻学习得到各视图的相似矩阵/n对于第v个视图的第i个数据点x

【技术特征摘要】
1.一种基于自适应稀疏图学习的多视图聚类方法，其特征在于，包括以下步骤：
(1)由数据矩阵通过自适应近邻学习得到各视图的相似矩阵
对于第v个视图的第i个数据点xi，第v个视图的所有数据点会以概率作为xi的近邻与xi连接。因此，对于第v个视图的所有数据点，通过求解下列问题确定概率






从Sv中学习有k个非零值，k是近邻参数，求解后得到结果如下：



其中，根据求解结果，从数据中自适应地学习每个视图的相似矩阵；
(2)共享相似矩阵学习
对于多视图数据，首先构造p个相似矩阵S(1),S(2),...,S(p)，其中S(v)∈Rnxn(1≤v≤p)，引入参数λ和γ，提出下列模型：



s.t.α(v)≥0,αT1p＝1,
其中，α＝[α(1),α(2),...,α(p)],λ＞0,γ＞0；上述模型的求解转化为解决下列松弛问题：



s.t.α(v)≥0,αT1p＝1,
其中，||S||1是||S||0的凸松弛；
(3)优化算法
使用乘数交替方向法ADMM解决上述松弛问题，通过固定变量，分别交替更新α和S，学习一个具有稀疏结构的共享相似矩阵作为标准谱聚类的输入，得到聚类结果。


2.如权利要求1...

【专利技术属性】
技术研发人员：肖庆江，黄奕轩，杜世强，石玉清，单广荣，
申请(专利权)人：西北民族大学，
类型：发明
国别省市：甘肃;62