一种面向多视图数据的子空间聚类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113762407A(43)申请公布日2021.12.07(21)申请号202111081314.5(22)申请日2021.09.15(71)申请人四川大学地址610065四川省成都市一环路南一段24号(72)发明人陈杰(74)专利代理机构北京汇捷知识产权代理事务所(普通合伙)11531代理人于鹏(51)Int.Cl.G06K9/62(2006.01)权利要求书1页说明书14页附图2页(54)发明名称一种面向多视图数据的子空间聚类方法(57)摘要本发明涉及数据处理领域，具体涉及一种面向多视图数据的子空间聚类方法，包括：基于数据低秩表示的数据矩阵和初始参数生成MLRR模型；基于增广拉格朗日乘子算法迭对MLRR模型进行求解，得到最优解；对多个视图的最优解进行聚类融合，得到聚类结果。在对称约束下，MLRR模型通过LRR和多样性正则项有效地探索了多视图中本质的低维结构；从谱聚类的角度提出了对称LRR的融合机制，实现多视图的紧凑地数据表示；通过求解凸优化问题，可以有效地计算MLRR模型，并给出了该模型提供了严格的收敛性证明；从标准数据集获得实验结果证实了MLRR用于多视图子空间聚类的有效性和鲁棒性。CN113762407ACN113762407A权利要求书1/1页1.一种面向多视图数据的子空间聚类方法，其特征在于，包括：基于数据低秩表示的数据矩阵和初始参数生成MLRR模型；基于增广拉格朗日乘子算法迭对MLRR模型进行求解，得到最优解；对多个视图的最优解进行聚类融合，得到聚类结果。2.如权利要求1所述的一种面向多视图数据的子空间聚类方法，其特征在于，所述基于数据低秩表示的数据矩阵和初始参数生成MLRR模型的具体步骤是：输入多视图数据矩阵以及初始参数；基于数据矩阵的低秩约束获取多视图的低维结构；基于低维结构和噪音构造优化模型；采用成本函数对每两个视图数据的一致性进行衡量；将成本函数中的多样性正则化项添加到优化模型；对多视图LRR施加对称约束，得到最终的MLRR模型。3.如权利要求1所述的一种面向多视图数据的子空间聚类方法，其特征在于，所述基于增广拉格朗日乘子算法迭对MLRR模型进行求解，得到最优解的具体步骤是：初始化MLRR模型；若不满足收敛条件，则循环更新变量；循环更新参数；再次检查收敛条件，若满足收敛条件则输出低秩结构。4.如权利要求1所述的一种面向多视图数据的子空间聚类方法，其特征在于，所述对多个视图的最优解进行聚类融合，得到聚类结果的具体步骤是：计算最优解的总和；计算奇异值分解；构建相似图矩阵；计算拉普拉斯矩阵的自小特征值对应的k个特征向量；用k‑means算法对聚类并输出聚类结构。2CN113762407A说明书1/14页一种面向多视图数据的子空间聚类方法技术领域[0001]本发明涉及数据处理领域，尤其涉及一种面向多视图数据的子空间聚类方法。背景技术[0002]多视图子空间聚类是利用多视图数据内部结构的最广泛使用的方法之一。以前的大多数研究成果都是通过为每个视图单独构建一个相似性矩阵来执行学习多视图表示的任务，而没有同时利用多视图数据的内在特征。本文提出了一种多视图低秩表示(Multiviewlow‑rankrepresentation,MLRR)方法来发现多视图数据的相关性，并将其用于多视图子空间聚类。发明内容[0003]本发明的目的在于提供一种面向多视图数据的子空间聚类方法，旨在提出了一种多视图低秩表示方法来发现多视图数据的相关性，并将其用于多视图子空间聚类。[0004]为实现上述目的，本发明提供了一种面向多视图数据的子空间聚类方法，包括基于数据低秩表示的数据矩阵和初始参数生成MLRR模型；[0005]基于增广拉格朗日乘子算法迭对MLRR模型进行求解，得到最优解；[0006]对多个视图的最优解进行聚类融合，得到聚类结果。[0007]其中，所述基于数据低秩表示的数据矩阵和初始参数生成MLRR模型的具体步骤是：[0008]输入多视图数据矩阵以及初始参数；[0009]基于数据矩阵的低秩约束获取多视图的低维结构；[0010]基于低维结构和噪音构造优化模型；[0011]采用成本函数对每两个视图数据的一致性进行衡量；[0012]将成本函数中的多样性正则化项添加到优化模型；[0013]对多视图LRR施加对称约束，得到最终的MLRR模型。[0014]其中，所述基于增广拉格朗日乘子算法迭对MLRR模型进行求解，得到最优解的具体步骤是：[0015]初始化MLRR模型；[0016]若不满足收敛条件，则循环更新变量；[0017]循环更新参数；[0018]再次检查收敛条件，若满足收敛条件则输出低秩结构。[0019]其中，所述对多个视图的最优解进行聚类融合，得到聚类结果的具体步