【技术实现步骤摘要】
本专利技术涉及信号处理、数据分析，具体涉及一种具有超图约束非凸低秩张量逼近的多视图子空间聚类方法。
技术介绍
1、多视图聚类被广泛地运用于机器学习领域，是一种重要的计算机基础技术方法。由于多视图的数据来源于相同数据的不同视图，多视图数据中的不同视图间具有隐藏的高维度的信息。完整地挖掘和运用这些信息能提升聚类的准确性，因此，基于张量的多视图聚类方法引起了广泛的关注。它将不同视图形成的表达矩阵构造成一个高维的矩阵(即三维的张量)，并对表达张量施加低秩约束。zhang等人首次将表达矩阵构造为一个张量，并对其施加低秩约束。然而，zhang等人所用的仍然是基于矩阵的奇异值分解的低秩约束，对视图间高维信息的挖掘不够深入。xie等人将基于张量的奇异值分解的核函数引入多视图聚类中，得到了更高的准确率和更好的性能。然而，基于张量的奇异值分解的核函数依然对于张量的秩有偏差。为了减少秩的偏差，研究人员们改进张量核函数来逼近真实的张量秩。通过手动对权重赋值的方式，gao等人构造了一种权重张量核函数来逼近真实的张量秩。然而，手动对权重赋值是一种比较可操作性较弱的...
【技术保护点】
1.一种具有超图约束非凸低秩张量逼近的多视图子空间聚类方法，其特征在于，包括：
2.根据权利要求1所述的一种具有超图约束非凸低秩张量逼近的多视图子空间聚类方法，其特征在于，步骤S1中，将输入的原始数据转换为纯数据部分和噪声部分，表示为：
3.根据权利要求2所述的一种具有超图约束非凸低秩张量逼近的多视图子空间聚类方法，其特征在于，所述柯西范数的形式为：
4.根据权利要求3所述的一种具有超图约束非凸低秩张量逼近的多视图子空间聚类方法，其特征在于，所述非凸张量核函数的形式为：
5.根据权利要求4所述的一种具有超图约束非凸低秩张...
【技术特征摘要】
1.一种具有超图约束非凸低秩张量逼近的多视图子空间聚类方法，其特征在于，包括：
2.根据权利要求1所述的一种具有超图约束非凸低秩张量逼近的多视图子空间聚类方法，其特征在于，步骤s1中，将输入的原始数据转换为纯数据部分和噪声部分，表示为：
3.根据权利要求2所述的一种具有超图约束非凸低秩张量逼近的多视图子空间聚类方法，其特征在于，所述柯西范数的形式为：
4.根据权利要求3所述的一种具有超图约束非凸低秩张量逼近的多视图子空间聚类方法，其特征在于，所述非凸张量核函数的形式为：
5.根据权利要求4所述的一种具有超图约束非凸低秩张量逼近的多视图子空间聚类方法，其特征在于，所述超图结构为：
6.根据权利...
【专利技术属性】
技术研发人员：车杭骏，潘柏丞，杨暄皓，郭伟，巨兴兴，
申请(专利权)人：西南大学，
类型：发明
国别省市：
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。