[發明專利]基于成對協同正則化和NMF的自適應多視圖聚類方法

有效

• 申請號: 201710466702.2
• 申請日: 2017-06-20
• 公開（公告）號: CN107292341B
• 公開（公告）日: 2019-12-10
• 發明（設計）人: 王秀美;張天真;高新波;王鑫鑫;李潔;鄧成;田春娜
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 61205 陜西電子工業專利中心
• 代理人: 韋全生;王品華

1.一種基于成對協同正則化和NMF的自適應多視圖聚類方法，包括如下步驟：

(1)獲取原始圖像集的非負多視圖數據從原始圖像集中提取每幅圖像的多種圖像特征，得到原始圖像集的非負多視圖數據其中m表示第m個視圖，且m＝1,2,…,n_v，n_v表示視圖的數目；

(2)對非負多視圖數據進行歸一化：對非負多視圖數據中的各視圖數據分別進行歸一化，得到歸一化后的多視圖數據

(3)計算多視圖數據的拉普拉斯矩陣

(4)構建成對協同正則化和NMF的自適應多視圖聚類的目標函數，實現步驟為：

(4a)對多視圖數據進行NMF，得到基矩陣和系數矩陣

(4b)利用多視圖數據基矩陣和系數矩陣構造NMF的重構誤差項；

(4c)利用成對協同正則化方法，通過系數矩陣構造視圖間的相似性約束項；

(4d)通過系數矩陣和拉普拉斯矩陣構造視圖內的相似性約束項；

(4e)設置調節參數γ，采用自適應的方法，利用參數γ自動學習視圖內的相似性約束項的自適應權重參數

(4f)獲取成對協同正則化和NMF的自適應多視圖聚類的目標函數：設置權衡參數λ，并將權衡參數λ作為視圖間的相似性約束項的權重，將自適應權重參數作為視圖內的相似性約束項的權重，對NMF的重構誤差項、視圖間的相似性約束項和視圖內的相似性約束項進行權重相加，得到成對協同正則化和NMF的自適應多視圖聚類的目標函數；

(5)初始化基矩陣系數矩陣和權重參數將基矩陣系數矩陣和權重參數中所有元素的值初始化為(0,1)之間的隨機數；

(6)分別獲取基矩陣系數矩陣和權重參數的迭代更新表達式：對基矩陣系數矩陣和權重參數進行交替迭代，得到基矩陣的迭代更新表達式、系數矩陣的迭代更新表達式和權重參數的迭代更新表達式；

(7)獲取更新后的基矩陣系數矩陣和權重參數實現步驟為：

(7a)設定目標函數差值的閾值和最大迭代次數；

(7b)利用基矩陣系數矩陣和權重參數的迭代更新表達式，分別對對應的基矩陣系數矩陣和權重參數進行迭代更新，并在每次迭代完成時，計算目標函數的值，迭代直到兩次迭代的目標函數的差值小于設定的閾值或者迭代次數達到最大迭代次數；

(7c)獲得更新后的基矩陣系數矩陣和權重參數

(8)對更新后的系數矩陣進行K-均值聚類，得到聚類結果，其中K為聚類的類數，實現步驟為：

(8a)對更新后的系數矩陣取平均值，得到一致系數矩陣V^*；

(8b)對一致系數矩陣V^*進行K-均值聚類，得到聚類結果。

2.根據權利要求1所述的基于成對協同正則化和NMF的自適應多視圖聚類方法，其特征在于，步驟(3)中所述的計算多視圖數據的拉普拉斯矩陣實現步驟為：

(3a)將多視圖數據的每行作為一個樣本數據點，分別計算多視圖數據中各視圖數據的每兩個樣本數據點間的歐氏距離；

(3b)對多視圖數據中各視圖數據的每個樣本數據點，取出其前k個最小的歐氏距離值對應的數據點作為該樣本數據點的k近鄰點，得到多視圖數據的k近鄰圖，其中k為近鄰點的數目；

(3c)根據k近鄰圖構建多視圖數據的關聯矩陣若第p個數據點是第q個數據點的k近鄰點，則令關聯矩陣中對應的矩陣元素為1，否則令其對應矩陣元素為0，其中p和q分別表示第p和q個數據點，且p＝1,2,…,N，q＝1,2,…,N，N表示原始圖像的數目；

(3d)對關聯矩陣的行求和，得到多視圖數據的度矩陣并通過關聯矩陣和度矩陣計算多視圖數據的拉普拉斯矩陣

3.根據權利要求2所述的基于成對協同正則化和NMF的自適應多視圖聚類方法，其特征在于，步驟(3d)中所述的計算多視圖數據的拉普拉斯矩陣計算公式為：

4.根據權利要求1所述的基于成對協同正則化和NMF的自適應多視圖聚類方法，其特征在于，步驟(4b)中所述的NMF重構誤差項，其表達式為：

其中||·||_F代表矩陣的F范數，表示F范數的平方。