基于双层加权联合分解的多视角聚类方法.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CN113887591A(43)申请公布日2022.01.04(21)申请号202111107674.8(22)申请日2021.09.22(71)申请人大连理工大学地址116024辽宁省大连市甘井子区凌工路2号(72)发明人刘日升孙佳宁仲维樊鑫罗钟铉(74)专利代理机构大连理工大学专利中心21200代理人戴风友(51)Int.Cl.G06K9/62(2006.01)G06F17/11(2006.01)G06F17/16(2006.01)权利要求书3页说明书7页附图3页(54)发明名称基于双层加权联合分解的多视角聚类方法(57)摘要本发明公开了一种基于双层加权联合分解的多视角聚类方法。针对不完整的多视角聚类任务，提出一个简洁有效的双层联合分解框架来完成问题的建模，学习数据的低维潜在表示。具体来讲，通过建立上层和下层子目标函数，分别为跨多个视图的样本和单一视图的样本进行分解建模。同时为其设计了一种加权平均迭代的算法来进行优化。本方法可以适用于带有任意视角数目和任意缺失情况的数据，具有通用性，灵活性，能够有效提升聚类性能。CN113887591ACN113887591A权利要求书1/3页1.一种基于双层加权联合分解的多视角聚类方法，其特征在于，包括如下步骤：步骤一：收集多视角数据并对各视角进行预处理，完成特征提取；步骤二：基于双层模型结构学习数据的子空间与低维潜在表示，并通过加权平均迭代策略求解各视角间一致的低维表示；具体操作如下：采用双层模型学习数据的子空间与低维潜在表示；对两视角数据，按照完整度划分为跨多视角的和单一视角的同时给定聚类数量t，参数λ＝{λc,λ1,λ2},β＝{βc,β1,β2},α＝{α1,α2}；记在两个视角下的潜在表示分别为和由于和对应的是相同的样本，在两个视角下的聚类结果应当一致，而聚类结果又是从潜在表示中经过聚类算法直接得到的，样本在两个视角(1)(2)下的潜在表示应该相同，即Pc＝Pc＝Pc；采用双层模型，因为跨多视角的数据采集到的特征信息比较丰富，结合多个视角的信息对于它们的划分会比较准确，因此采用占主导地位的上层问题来处理具多视角样本采用下层的两个子问题分别处理只有单个视角信息的样本和所构造的目标函数如下：其中为矩阵分解中的基矩阵；和则为表示矩阵，分别代表了单视角样本的潜在表示；对于每个视角下的潜在表示矩阵：它们都包含了多视角样本的表示矩阵Pc，同时又各自含有对应局部数据的表示矩阵和由此可以得到全部样本整体的潜在特征表示矩阵，无论它们原来是否在所有视角下都含有特征信息：对于更多视角的数据，其目标函数为：其中Ω为所有可能出现的多视角情况，记W为Ω中的一种具体情况，wi为其中涉及的视角；根据数据的不同特征，可分别为基矩阵和表示矩阵添加不同约束，此处采用p‑范数和q‑范数表示。步骤三：将学习到的表示归一化，采用单视角聚类方法获取聚类结果；2.根据权利要求1所述的基于双层加权联合分解的多视角聚类方法，其特征在于，第一步，对采集的多视角样本数据进行预处理，根据每个视角特点分别提取样本的多种特征，得(1)(2)(v)到各视角的数据矩阵X，X，…,X；各视角间相互独立，分别用nv和dv表示第v个视角的2CN113887591A权利要求书2/3页数据的数量和特征维度；对于两视角数据，将输入的数据X按照数据的完整性来进行分割，使得：其中，代表两个视角中都有特征信息的完整数据，又按照视角分为和和则分别代表仅在第一个视角或第二个视角下有特征信息的样本；假设这三类样本的数量分别为c，m，和n，那么有3.根据权利要求1或2所述的基于双层加权联合分解的多视角聚类方法，其特征在于，第二步，通过加权平均迭代求解各视角间一致的低维表示；具体包括：给定数据聚类数量t，参数{λc,λ1,λ2,βc,β1,β2,α1,α2}；(i)①初始化：随机初始化各层基矩阵U与表示矩阵Pc，使得(1)(2)②固定U和U,求解下述方程以更新Pc：其中Dc,k为对角矩阵，内部元素向量Pc,k(j,∶)是矩阵Pc,k的第j行；(1)(2)(1)(2)③固定Pc，依次更新上层U和U，分别记为H和H；的更新准则为：其中It为t阶单位阵；④固定U(1)和U(2),分别求解下述方程以更新其中为对角矩阵，内部元素向量代表矩阵的第j行；⑤固定依次更新下层U(1)和U(2)，分别记为L(1)和L(2)；的更新准则为：⑥结合上下两层的结果，加权更新U(1)和U(2)；的更新准则为：⑦判断是否满足收敛条件；收敛则结束迭代，否则继续循环②～⑦，直至收敛或迭代次3CN113887591A权利要求书3/3页数超过预设最大值，强制终止迭代；输出各视角的基矩阵U(1)和U(2)，以及样本的统一低维潜在表示4.