[發明專利]一種面向多視圖特征融合與聚類的聯合優化方法

在審

• 申請號: 202010696076.8
• 申請日: 2020-07-20
• 公開（公告）號: CN111814896A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 趙鐵松;黃愛萍;裴舒凡;陳煒玲;王鄭
• 申請（專利權）人: 福州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/16
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學俊

1.一種面向多視圖特征融合與聚類的聯合優化方法，其特征在于，包括以下步驟：

步驟S1:獲取待聚類圖像數據的若干個視圖以及聚成的類別數；

步驟S2:初始化相關參數和矩陣變量；

步驟S3:將面向多視圖特征融合與聚類的聯合優化問題表示為共享指示矩陣和對應各個視圖系數矩陣的矩陣分解范式，寫出損失函數，確認優化目標；

步驟S4:更新各項參數，直至收斂或達到最大迭代次數；

步驟S5:計算得到收斂的共享聚類指示矩陣，以對每個樣本標簽進行分配，得到最優的聚類結果。

2.根據權利要求1所述的一種面向多視圖特征融合與聚類的聯合優化方法，其特征在于，所述相關參數包括β_i，γ，λ和

其中γ是一個預定義常數來增強損失函數的度量學習,β_i為正則化參數，λ為權重系數，為懲罰項系數。

3.根據權利要求2所述的一種面向多視圖特征融合與聚類的聯合優化方法，其特征在于，所述矩陣變量包括α,H,G,W,V和

α為不同視圖的權重向量，H∈R^n×c為共享聚類指示矩陣，為對應各個視圖的聚類系數矩陣，G和V為中間矩陣優化變量，和Y₂∈R^n×c為兩個懲罰矩陣；c為類別個數,d_i第i個視圖數據矩陣的維數。

4.根據權利要求3所述的一種面向多視圖特征融合與聚類的聯合優化方法，其特征在于，步驟S3具體為：

步驟S31:將面向多視圖特征融合與聚類的聯合優化問題表示為:

式子滿足:α≥0,H≥0,H^TH＝I

其中||·||_F和||·||_*分別為Frobenius范數和核函數運算符；I為單位矩陣；

步驟S32:引入跡運算符Tr(·)；引入用于衡量矩陣H正交性的重要性參數λ；

將式子改寫為:

式子滿足:α≥0,1^Tα＝1,H≥0

其中1∈R^k是一個項等于1的列向量；

步驟S43:引入兩個中間矩陣優化變量

G∈R^n×c和

來分離H和W，并將目標函數改寫為:

式子滿足:α≥0,1^Tα＝1,H≥0,H-G＝0,W-V＝0

目標函數可以等效地轉化為最小化函數

式子滿足:α≥0,1^Tα＝1,H≥0

其中和Y₂∈R^n×c為兩個懲罰矩陣；

步驟S44:將目標函數通過以下的迭代更新規則進行優化:

步驟S45:分別針對α,H,G,W,V找到上述子問題的最優解。

5.根據權利要求1所述的一種面向多視圖特征融合與聚類的聯合優化方法，其特征在于，所述步驟S3具體為：

按照下式更新α：

按照下式更新H：

其中[a]₊＝max{a,0}；

按照下式更新G：

按照下式更新W：

其中軟閾值運算符D_τ(∑)＝diag([[∑₁₁-τ]₊,…,[∑_cc-τ]₊])，τ為軟閾值；

按照下式更新V：

按照下式更新Y₁,Y₂:

重復以上過程直至收斂或達到最大迭代次數。

6.根據權利要求1所述的一種面向多視圖特征融合與聚類的聯合優化方法，其特征在于，所述步驟S4具體為：根據最終收斂結果得到收斂的共享聚類指示矩陣H，并通過對樣本標簽進行分配。