[發(fā)明專利]基于圖正則化的平滑范數(shù)受限非負(fù)矩陣分解的聚類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010099641.2
• 申請(qǐng)日: 2020-02-18
• 公開（公告）號(hào): CN111401403A
• 公開（公告）日: 2020-07-10
• 發(fā)明（設(shè)計(jì)）人: 舒振球;翁宗慧;張?jiān)泼?/a>;李鵬;由從哲;邱駿達(dá);范洪輝
• 申請(qǐng)（專利權(quán)）人: 江蘇理工學(xué)院
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 常州佰業(yè)騰飛專利代理事務(wù)所(普通合伙) 32231
• 代理人: 王巍巍

本發(fā)明提供了一種基于圖正則化的平滑范數(shù)受限非負(fù)矩陣分解的聚類方法，包括：S10獲取待聚類視圖并構(gòu)建最鄰近圖；S20構(gòu)建基于圖正則化的L_P平滑范數(shù)受限非負(fù)矩陣分解的目標(biāo)函數(shù)，目標(biāo)函數(shù)中包括用于保持?jǐn)?shù)據(jù)空間內(nèi)幾何結(jié)構(gòu)和提高平滑度的平滑正則化項(xiàng)及用于標(biāo)記樣本類別信息的圖正則項(xiàng)；S30以Frobenius范數(shù)為度量標(biāo)準(zhǔn)，根據(jù)目標(biāo)函數(shù)使用迭代加權(quán)的方法迭代預(yù)設(shè)次數(shù)，得到待聚類視圖的特征矩陣；S40采用k?means聚類算法分別對(duì)各聚類視圖的特征矩陣進(jìn)行分析，實(shí)現(xiàn)視圖聚類。其通過(guò)加入圖正則項(xiàng)到NMF中，發(fā)現(xiàn)隱藏語(yǔ)義同時(shí)尊重?cái)?shù)據(jù)集固有的內(nèi)在幾何信息；再通過(guò)將標(biāo)簽信息作為附加的硬約束使得高維空間中標(biāo)記的樣本在新低維空間中擁有相同的坐標(biāo)；最后加入L_P平滑范數(shù)，以提高平滑度。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種視圖聚類方法。

背景技術(shù)

隨著通信技術(shù)與互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，人們獲取圖像的能力越來(lái)越強(qiáng)，且獲取的圖像已呈現(xiàn)出維數(shù)高、數(shù)據(jù)量大、規(guī)模復(fù)雜等特點(diǎn)。雖然高維圖像會(huì)給人帶來(lái)更好的視覺(jué)體驗(yàn)，但也給圖像數(shù)據(jù)的處理和保存帶來(lái)了問(wèn)題，故對(duì)數(shù)據(jù)降維成為了一種需要。圖像處理技術(shù)發(fā)展到今日，研究人員根據(jù)不同的研究方法提出了多種數(shù)據(jù)降維方法，目前較為常用的數(shù)據(jù)表達(dá)方法有主成分分析(Principal Component Analysis,PCA)、線性判別分析(Linear Discriminant Analysis,LDA)、奇異值分解(Singular Value Decomposition,SVD)及非負(fù)矩陣分解(Non-negative Matrix Factorization，NMF)。

NMF作為一種常用的降維方法，是一種基于部分的數(shù)據(jù)表示方法，要求每個(gè)因子矩陣中的元素都必須是非負(fù)的，因其具有處理大規(guī)模數(shù)據(jù)速度快、對(duì)原始矩陣重構(gòu)誤差小、原始數(shù)據(jù)的統(tǒng)計(jì)信息也可以得到保持等優(yōu)點(diǎn)被廣泛用于各種學(xué)習(xí)研究中。根據(jù)不同的研究目的，研究人員對(duì)NMF進(jìn)行了一些改進(jìn)。Cai等為了保存數(shù)據(jù)中的幾何流形結(jié)構(gòu)信息，提出了圖正則化非負(fù)矩陣分解(GNMF)。但是，GNMF是一種無(wú)監(jiān)督的算法，聚類效果有限。Liu等為了利用標(biāo)記樣本的類別信息，提高聚類性能，提出了受限非負(fù)矩陣分解算法(CNMF)。但CNMF僅考慮了在低維空間中保持高維空間的類別信息，忽略了數(shù)據(jù)幾何結(jié)構(gòu)關(guān)系。Shu等為了能夠保持標(biāo)記樣本的類別信息，在低維空間中保持幾何樣本的結(jié)構(gòu)信息，提出了基于圖正則化的受限非負(fù)矩陣分解算法(GCNMF)。雖然GCNMF同時(shí)兼顧了GNMF和CNMF的優(yōu)點(diǎn)，但是在算法的平滑度與準(zhǔn)確性方面還有待提高。

發(fā)明內(nèi)容

針對(duì)上述問(wèn)題，本發(fā)明提供了一種基于圖正則化的平滑范數(shù)受限非負(fù)矩陣分解的聚類方法，有效解決現(xiàn)有多視圖聚類方法聚類效果不佳的技術(shù)問(wèn)題。

本發(fā)明提供的技術(shù)方案如下：

一種基于圖正則化的L_P平滑范數(shù)受限非負(fù)矩陣分解的聚類方法，包括：

S10獲取待聚類視圖并構(gòu)建最鄰近圖；

S20構(gòu)建基于圖正則化的L_P平滑范數(shù)受限非負(fù)矩陣分解的目標(biāo)函數(shù)，所述目標(biāo)函數(shù)中包括用于保持?jǐn)?shù)據(jù)空間內(nèi)幾何結(jié)構(gòu)和提高平滑度的平滑正則化項(xiàng)及用于標(biāo)記樣本類別信息的圖正則項(xiàng)；

S30以Frobenius范數(shù)為度量標(biāo)準(zhǔn)，根據(jù)目標(biāo)函數(shù)使用迭代加權(quán)的方法迭代預(yù)設(shè)次數(shù)，得到待聚類視圖的特征矩陣；

S40采用k-means聚類算法分別對(duì)各聚類視圖的特征矩陣進(jìn)行分析，實(shí)現(xiàn)視圖聚類。