[發明專利]一種基于共享近鄰的權重自更新多視角譜聚類方法

有效

• 申請號: 202010225440.2
• 申請日: 2020-03-26
• 公開（公告）號: CN111401468B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 宋艷;殷俊
• 申請（專利權）人: 上海海事大學
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06V10/74
• 代理公司: 上海元好知識產權代理有限公司 31323
• 代理人: 張妍;劉琰

1.一種基于共享近鄰的權重自更新多視角譜聚類方法，其特征在于，包括：

步驟1：輸入多個視角的數據集，根據共享近鄰的自適應高斯核函數計算出各個視角的相似矩陣；

步驟2：根據拉普拉斯矩陣秩約束理論對各個視角的相似矩陣的簇結構進一步優化各個視角的相似矩陣；

步驟3：根據權重自更新多視角譜聚類模型計算出全局拉普拉斯矩陣；

步驟4：根據所得到的全局拉普拉斯矩陣，計算出全局相似矩陣，由此得到一個具有多個聯通分支的全局相似矩陣，從而得到最終的多個簇。

2.如權利要求1所述的基于共享近鄰的權重自更新多視角譜聚類方法，其特征在于，步驟1具體包括：

步驟1.1：輸入m個視角的數據集X＝{X₁,X₂,…,X_n}，n表示n個數據點；

步驟1.2：初始化零矩陣S，S＝{S_ij}，i∈[1，n]，j∈[1，n]，S_ij為任意兩點X_i,X_j之間的相似度度量；

步驟1.3：令i＝1；

步驟1.4：若i＜n，執行步驟1.5；否則，輸出相似矩陣S^(v)，v表示第v

個視角；

步驟1.5：令j＝i+1；

步驟1.6：若j≤n，執行步驟1.7；否則，更新i＝i+1，執行步驟1.4；

步驟1.7：若數據點X_i在點X_j的k近鄰空間中且數據點X_j在點X_i的k近鄰空間中，則SNN(X_i,X_j)＞閾值δ，令其中σi和σj分別為點X_i和點X_j各自第p個近鄰的歐氏距離，進一步更新j＝j+1，執行步驟1.6；

否則，更新j＝j+1，執行步驟1.6；

步驟1.8：對每個視角均執行步驟1.2-步驟1.7，得到m個視角數據的相似矩陣S^(v)。

3.如權利要求2所述的基于共享近鄰的權重自更新多視角譜聚類方法，其特征在于，步驟2具體包括：

步驟2.1：輸入第v個視角的相似矩陣S^(v)，及其聚類個數c'；

步驟2.2：通過初始的相似矩陣S^(v)對應的拉普拉斯矩陣L^(v)前c'個最小特征值對應的特征向量得到初始的嵌入矩陣U^(v)的值；

步驟2.3：根據公式計算出S^(v)的值；

步驟2.4：計算出S^(v)對應的拉普拉斯矩陣L^(v)前c'個最小特征值對應的特征向量得到嵌入矩陣U^(v)；

步驟2.5：將步驟2.3和步驟2.4計算出的S^(v)和U^(v)重新帶入到公式中，計算出結果并記為R1，其中，U^(v)∈R^n*c',U^(v)TU^(v)＝I，S^(v)_j≥0,1^TS^(v)_j＝1，Tr表示求跡運算，S^(v)_j表示第v個視角相似矩陣的第j列，列和為1，α為權衡參數，I表示單位矩陣，R^n*c'為全體n*c'維的矩陣集合；

步驟2.6：將步驟2.3和步驟2.4計算出的S^(v)和U^(v)的值帶入公式中計算出新的S^(v)的值；

步驟2.7：根據步驟2.6計算出的S^(v)計算其對應的拉普拉斯矩陣L^(v)前c'個最小特征值對應的特征向量得到嵌入矩陣U^(v)；

步驟2.8：將步驟2.6和步驟2.7計算出的S^(v)和U^(v)的值帶入公式中，計算出結果并記為R2；

步驟2.9：計算|R2-R1|，若其結果小于0.00001，則跳轉至步驟2.10，否則跳轉至步驟2.3；

步驟2.10：輸出當前視角計算得到的優化后的相似矩陣S^(v)*；

步驟2.11：對每個視角都執行一遍上述步驟2.1-步驟2.10，最后得到優化后的m個視角數據的相似矩陣S^(v)*。