【技术实现步骤摘要】
本专利技术涉及图像聚类分析，更具体地，涉及一种图正则非负矩阵分解的聚类方法、装置及介质。
技术介绍
1、传统的nmf方法，使用二范数构建初始矩阵，在大多任务中都取得了良好的表现。但是它依旧存在一些局限。其中一个主要的问题是使用二范数构建目标函数，而众所周知的是，二范数对与噪音与异常值是不稳定的。为了获取好的聚类结果，这对于输入的数据有了更高的要求。然而真实世界中，噪音与异常值几乎是不可避免的，即使采取一些方法处理这些异常数据，也会影响聚类的结果。本研究创新性地提出了一种基于图正则化的非负矩阵分解聚类方法，该方法通过精心设计的矩阵优化策略，融入了更为严谨的约束范式，显著增强了算法的鲁棒性。这一改进不仅降低了对初始输入数据质量的严苛要求，即便在数据集中混入异常值时，也能有效抵御其对特征提取过程的干扰，确保结果的稳定性与准确性。因此，该算法在各类实际应用场景中展现出了更为广泛的适用性和潜力，特别是在图像识别领域，如人脸识别任务中，即便面对包含部分异常图片的数据集，依然能够保持卓越的性能，实现高精度的识别效果。
技术...
【技术保护点】
1.一种图正则非负矩阵分解的聚类方法，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，所述矩阵信息数据表示为X∈Rm×n，其中每一个特征值矩阵X由n个列向量xi∈Rm组成，Rm表示m维空间，m表示样本的维度，n表示样本的数量。
3.根据权利要求1所述的方法，其特征在于，所述待聚类数目为不超过10的正整数。
4.根据权利要求1所述的方法，其特征在于，设定的初始的超参数数值μ为0.01。
5.根据权利要求2所述的方法，其特征在于，所述目标方程表示为：
6.根据权利要求1所述的方法，其特征在于...
【技术特征摘要】
1.一种图正则非负矩阵分解的聚类方法，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，所述矩阵信息数据表示为x∈rm×n，其中每一个特征值矩阵x由n个列向量xi∈rm组成，rm表示m维空间，m表示样本的维度，n表示样本的数量。
3.根据权利要求1所述的方法，其特征在于，所述待聚类数目为不超过10的正整数。
4.根据权利要求1所述的方法，其特征在于，设定的初始的超参数数值μ为0.01。
5.根据权利要求2所述的方法，其特征在于，所述目标方程表示为：
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。