[發明專利]一種基于圖正則化的魯棒性結構非負矩陣分解聚類方法

在審

• 申請號: 201811597620.2
• 申請日: 2018-12-26
• 公開（公告）號: CN109840545A
• 公開（公告）日: 2019-06-04
• 發明（設計）人: 舒振球;陸翼;孫燕武;范洪輝
• 申請（專利權）人: 江蘇理工學院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 常州佰業騰飛專利代理事務所(普通合伙) 32231
• 代理人: 顧翰林

本發明提供了一種基于圖正則化的魯棒性結構非負矩陣分解聚類方法，包括：S10獲取m個待聚類圖像，并根據待聚類圖像構造k個最鄰近圖；S20針對每個最鄰近圖得到相應的數據矩陣Y，數據矩陣Y中包括n個數據點，使用非負矩陣分解方法對數據矩陣Y進行分解得到特征矩陣W和系數矩陣H；S30基于l_2,p范數建立基于圖正則化的魯棒性結構非負矩陣分解的目標函數O；S40根據目標函數O，使用迭代加權的方法迭代預設次數，對特征矩陣W、系數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對其中的重構誤差進行測量，在該魯棒損失函數中沒有使用標記數據進行判別，引入非負矩陣分解的半監督方法后，能夠有效的提高效率及精確率。

技術領域

本發明涉及圖像處理技術領域，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

近幾年，高維數據在許多領域里出現，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，即原始數據矩陣只使用加法操作進行重構，不使用學習因子的任何減法組合，進而得到基于部分的數據表示。

在半監督學習中，同一類中由標記數據和未標記數據組成的整體往往來自同一子空間，即標記數據和未標記數據的內在表示是一致的，未標記數據的表示也具有塊對角結構。在實際應用中，數據總是受到噪聲和離群值的污染，極大可能會影響塊對角結構的發現，降低其性能。

發明內容

針對上述問題，本發明提供了一種基于圖正則化的魯棒性結構非負矩陣分解聚類方法，有效解決現有技術中數據受到噪聲和離群值的污染后，可能會影響塊對角結構的發現并降低其性能的技術問題。

本發明提供的技術方案如下：

一種基于圖正則化的魯棒性結構非負矩陣分解聚類方法，包括：

S10獲取m個待聚類圖像，并根據待聚類圖像構造k個最鄰近圖；

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

S30基于范數建立基于圖正則化的魯棒性結構非負矩陣分解的目標函數O；

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

S40根據目標函數O，使用迭代加權的方法迭代預設次數，對特征矩陣W、系數項及圖正則項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。