【技术实现步骤摘要】
本专利技术属于数据挖掘和机器学习领域，尤其涉及一种基于三阶张量自表示求相似度张量的聚类方法及系统。
技术介绍
1、聚类分析作为数据挖掘和机器学习领域的重要研究内容，旨在将相似的数据对象整合成不同的簇，从而揭示数据的内在结构和模式。然而，随着信息技术的飞速发展和广泛应用，数据对象的结构和关系日益愈发错综复杂，呈现出高度非线性和多维度的特点。面对数据复杂化、多元化的趋势，使得对聚类算法的研究面临着前所未有的挑战。
2、传统的聚类算法，如k-means和层次聚类等，在特定场景下能够展现出良好的聚类效果。但当面对大规模、高维度的数据集时，它们往往因为计算复杂度过高或丢失许多数据高阶信息而导致聚类效果欠佳。
3、为应对这一挑战，业界相继提出多种多视图聚类方法和图聚类方法。多视图聚类方法通过整合多个视图的信息来丰富数据表示，从而提高聚类的准确性。图聚类方法则通过构建图模型来捕捉数据间的复杂关系，进而实现有效的聚类。然而，这些方法在处理具有复杂关系的多视图数据时仍面临诸多难题。一方面，它们难以有效捕捉数据中潜在的高阶结构信息与...
【技术保护点】
1.一种基于三阶张量自表示求相似度张量的聚类方法及系统，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述数据预处理操作包括：对输入的数据集进行清洗，去除重复、缺失和异常值，且清洗过程中，根据数据特性设置阈值，对超出阈值范围的数据进行过滤和修正，随后对数据进行归一化处理，将数据转换到同一尺度范围。
3.根据权利要求1所述的方法，其特征在于，所述函数F(A)＝A1+A2+A3+……+Ai+……+Ap，其中A为样本点间相似度矩阵，i为矩阵自乘运算的阶数，p为算式的总项数。
4.根据权利要求1所述的方法，其特征在于...
【技术特征摘要】
1.一种基于三阶张量自表示求相似度张量的聚类方法及系统，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述数据预处理操作包括：对输入的数据集进行清洗，去除重复、缺失和异常值，且清洗过程中，根据数据特性设置阈值，对超出阈值范围的数据进行过滤和修正，随后对数据进行归一化处理，将数据转换到同一尺度范围。
3.根据权利要求1所述的方法，其特征在于，所述函数f(a)＝a1+a2+a3+……+ai+……+ap，其中a为样本点间相似度矩...
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。