【技术实现步骤摘要】
本专利技术涉及聚类模型的训练，特别涉及一种基于自步学习和数据增强的聚类方法。
技术介绍
1、聚类的主要目的是将数据分离，将相似的数据归类到同一个簇中。能将数据很好地分离成簇在数据分析和数据可视化的许多应用中是最基本的。
2、然而，当前聚类方法的性能在很大程度上取决于输入数据的质量。不同的数据集通常需要不同的衡量相似度方法和分离技术。利用深度神经网络(dnns)可以通过学习非线性映射，从而将数据转化为更容易被聚类的表征，而不需要手动提取或选择特征。
3、大多数现有的深度聚类算法通过使用由聚类中心和聚类分配定义的损失函数来调整深度神经网络的参数，然而，这些方法没有明确考虑到靠近决策边界的样本对深度神经网络训练的影响。由于深度神经网络的目标是学习那些更适合用于聚类的特征，因此那些靠近决策边界的样本无法给予可信度高的引导。
技术实现思路
1、本专利技术的目的是：本专利技术要解决输入数据的质量不同影响数据聚类分布的技术问题，提供一种基于自步学习和数据增强的聚类方法。
<...【技术保护点】
1.一种基于自步学习和数据增强的聚类方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于自步学习和数据增强的聚类方法，其特征在于：预训练后进入微调阶段，目标函数为：
3.如权利要求2所述的一种基于自步学习和数据增强的聚类方法，其特征在于：在微调阶段，对w和a进行交替优化，当a被给定时，有：
4.如权利要求1所述的一种基于自步学习和数据增强的聚类方法，其特征在于：预训练后进入微调阶段，目标函数为：
5.如权利要求1所述的一种基于自步学习和数据增强的聚类方法，其特征在于：在预训练阶段，重构损失函数为：
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。