【技术实现步骤摘要】
基于自编码器的多模态自适应融合深度聚类模型及方法
本专利技术涉及聚类分析
，尤其涉及基于自编码器的多模态自适应融合深度聚类模型及方法。
技术介绍
聚类分析是许多领域的基本问题，例如机器学习，数据挖掘，模式识别，图像分析以及生物信息。聚类是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集，这样让在同一个子集中的成员对象都有相似的一些属性，一般把数据聚类归纳为一种非监督式学习。现有技术中也有一些常见的聚类方法，但是由于传统的聚类方法所使用的相似性度量方法效率低下，因此它们在高维数据上的性能通常较差。此外，这些方法通常在大规模数据集上具有较高的计算复杂性。因此，人们广泛研究了降维和特征转换方法，以将原始数据映射到一个新的特征空间中，在该特征空间中，生成的数据更容易被现有的分类器分离。一般而言，现有的数据转换方法包括线性变换(例如主成分分析)和非线性变换(例如核方法和光谱方法)。尽管如此，数据的高度复杂的潜在结构仍在挑战现有聚类方法的有效性。由于深度学习的发展，由于深度神经网络的高度非线性转换的内在特性，可将...
【技术保护点】
1.基于自编码器的多模态自适应融合深度聚类模型，其特征在于，包括编码器、多模态自适应融合层、解码器、深度嵌入式聚类层；所述编码器包括自编码器、卷积自编码器、卷积变分自编码器；/n编码器，用于使数据集X分别通过自编码器、卷积自编码器、卷积变分自编码器三种非线性映射h(X；θ
【技术特征摘要】
1.基于自编码器的多模态自适应融合深度聚类模型，其特征在于，包括编码器、多模态自适应融合层、解码器、深度嵌入式聚类层；所述编码器包括自编码器、卷积自编码器、卷积变分自编码器；
编码器，用于使数据集X分别通过自编码器、卷积自编码器、卷积变分自编码器三种非线性映射h(X；θm)，分别得到自编码器、卷积自编码器、卷积变分自编码器的潜在特征Zm；
多模态自适应融合层，与所述编码器连接，用于将自编码器、卷积自编码器、卷积变分自编码器分别得到的潜在特征Zm通过自适应空间特征融合方式融合到公共子空间中，得到融合特征Z；
解码器，与所述多模态自适应融合层连接，用于使用与编码器对称的结构对融合后的特征Z进行解码，得到解码后的重构数据集
深度嵌入式聚类层，与所述多模态自适应融合层连接，用于对融合特征Z进行聚类，通过对比聚类结果与真实标签得到最终准确率ACC。
2.根据权利要求1所述的基于自编码器的多模态自适应融合深度聚类模型，其特征在于，所述编码器中分别得到自编码器、卷积自编码器、卷积变分自编码器的潜在特征Zm，表示为：
Zm＝h(X；θm)
其中，θm表示编码器模型参数；m表示编码器序列，取值范围为{1，2，3}。
3.根据权利要求2所述的基于自编码器的多模态自适应融合深度聚类模型，其特征在于，所述多模态自适应融合层中得到的融合特征Z，表示为：
Z＝ω1·Z1+ω2·Z2+ω3·Z3
其中，ωm表示第m个模态的特征的重要性权重，由网络自适应的学习，得到自适应特征融合参数；
限制并定义：
其中，ωm分别通过使用βm作为控制参数的softmax函数定义；在不同模态特征上分别使用1×1卷积计算权重标量βm，通过标准反向传播来学习。
4.根据权利要求3所述的基于自编码器的多模态自适应融合深度聚类模型，其特征在于，所述解码器中得到解码后的重构数据集表示为：
其中，表示解码器模型参数。
5.根据权利要求4所述的基于自编码器的多模态自适应融合深度聚类模型，其特征在于，所述深度嵌入式聚类层中对融合特征Z进行聚类具体为：
将n个点分成k个类，每个类的中心用μj，j＝1，...，k，初始化聚类中心并计算特征点与聚类中心的软分配qij和辅助分布pi，最终用软分配qij和辅助分布pi的KL散度来定义聚类损失函数，并更新聚类中心μj、编码器、解码器参数θ和自适应特征融合参数β。
6.根据权利要求5所述的基于自编码器的多模态自适应融合深度聚类模型，其特征在于，所述编码器中还包括利用重构损失来更新自编码器、卷积自编码器、卷积变分自编码器的网络参数；具体为将编码器输入原始数据xi和解码...
【专利技术属性】
技术研发人员：朱信忠，徐慧英，董仕豪，郭西风，王霞，靳林通，赵建民，
申请(专利权)人：浙江师范大学，
类型：发明
国别省市：浙江;33
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。