[發(fā)明專利]一種基于圖正則化的魯棒性結(jié)構(gòu)非負矩陣分解聚類方法

在審

• 申請?zhí)枺?/td>: 201811597620.2
• 申請日: 2018-12-26
• 公開（公告）號: CN109840545A
• 公開（公告）日: 2019-06-04
• 發(fā)明（設(shè)計）人: 舒振球;陸翼;孫燕武;范洪輝
• 申請（專利權(quán)）人: 江蘇理工學院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 常州佰業(yè)騰飛專利代理事務所(普通合伙) 32231
• 代理人: 顧翰林

本發(fā)明提供了一種基于圖正則化的魯棒性結(jié)構(gòu)非負矩陣分解聚類方法，包括：S10獲取m個待聚類圖像，并根據(jù)待聚類圖像構(gòu)造k個最鄰近圖；S20針對每個最鄰近圖得到相應的數(shù)據(jù)矩陣Y，數(shù)據(jù)矩陣Y中包括n個數(shù)據(jù)點，使用非負矩陣分解方法對數(shù)據(jù)矩陣Y進行分解得到特征矩陣W和系數(shù)矩陣H；S30基于l_2,p范數(shù)建立基于圖正則化的魯棒性結(jié)構(gòu)非負矩陣分解的目標函數(shù)O；S40根據(jù)目標函數(shù)O，使用迭代加權(quán)的方法迭代預設(shè)次數(shù)，對特征矩陣W、系數(shù)項及圖正則項進行更新；S50采用k?means聚類算法分別對每個最近鄰圖所得到的特征矩陣W進行分析并聚類。其采用魯棒損失函數(shù)對其中的重構(gòu)誤差進行測量，在該魯棒損失函數(shù)中沒有使用標記數(shù)據(jù)進行判別，引入非負矩陣分解的半監(jiān)督方法后，能夠有效的提高效率及精確率。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于圖正則化的非負矩陣分解聚類方法。

背景技術(shù)

近幾年，高維數(shù)據(jù)在許多領(lǐng)域里出現(xiàn)，如多媒體分析、計算機視覺、模式識別等，如何進行降維操作成為了一個研究課題。非負矩陣分解作為一種常用的降維方法，目標是學習基于局部的特征表示，雖然其為聚類問題提供了大量的問題形成技術(shù)和算法方法，被廣泛用于各種應用中。但是，這種降維方法不能保證能夠得到很好的聚類性能，因此，非負矩陣變量被提出。非負矩陣分解的基本思想是學習兩個最接近原始矩陣的非負矩陣，即原始數(shù)據(jù)矩陣只使用加法操作進行重構(gòu)，不使用學習因子的任何減法組合，進而得到基于部分的數(shù)據(jù)表示。

在半監(jiān)督學習中，同一類中由標記數(shù)據(jù)和未標記數(shù)據(jù)組成的整體往往來自同一子空間，即標記數(shù)據(jù)和未標記數(shù)據(jù)的內(nèi)在表示是一致的，未標記數(shù)據(jù)的表示也具有塊對角結(jié)構(gòu)。在實際應用中，數(shù)據(jù)總是受到噪聲和離群值的污染，極大可能會影響塊對角結(jié)構(gòu)的發(fā)現(xiàn)，降低其性能。

發(fā)明內(nèi)容

針對上述問題，本發(fā)明提供了一種基于圖正則化的魯棒性結(jié)構(gòu)非負矩陣分解聚類方法，有效解決現(xiàn)有技術(shù)中數(shù)據(jù)受到噪聲和離群值的污染后，可能會影響塊對角結(jié)構(gòu)的發(fā)現(xiàn)并降低其性能的技術(shù)問題。

本發(fā)明提供的技術(shù)方案如下：

一種基于圖正則化的魯棒性結(jié)構(gòu)非負矩陣分解聚類方法，包括：

S10獲取m個待聚類圖像，并根據(jù)待聚類圖像構(gòu)造k個最鄰近圖；

S20針對每個最鄰近圖得到相應的數(shù)據(jù)矩陣Y，所述數(shù)據(jù)矩陣Y中包括n個數(shù)據(jù)點，使用非負矩陣分解方法對數(shù)據(jù)矩陣Y進行分解得到特征矩陣W和系數(shù)矩陣H；

S30基于范數(shù)建立基于圖正則化的魯棒性結(jié)構(gòu)非負矩陣分解的目標函數(shù)O；

其中，表示正則化項，μ表示基礎(chǔ)系數(shù)，Z表示正則化項中的指標矩陣，表示標記數(shù)據(jù)點矩陣，表示無標記數(shù)據(jù)點的零矩陣；表示系數(shù)項，β表示稀疏系數(shù)；λTr(W^TL_WW)和μTr(H^TL_HH)表示圖正則項，λ表示低秩系數(shù)，L^W＝E^W-V^W和L^H＝E^H-V^H為拉普拉斯方程，V為構(gòu)造的最近鄰圖的權(quán)重矩陣，E為對角矩陣；

S40根據(jù)目標函數(shù)O，使用迭代加權(quán)的方法迭代預設(shè)次數(shù)，對特征矩陣W、系數(shù)項及圖正則項λTr(W^TL_WW)和μTr(H^TL_HH)進行更新；

S50采用k-means聚類算法分別對每個最近鄰圖所得到的特征矩陣W進行分析并聚類。