[發(fā)明專利]面向鄰域連通性的不完備多視圖聚類方法、系統(tǒng)及設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202210421909.9
• 申請(qǐng)日: 2022-04-21
• 公開（公告）號(hào): CN114565778A
• 公開（公告）日: 2022-05-31
• 發(fā)明（設(shè)計(jì)）人: 李曉翠;史慶宇;張新玉
• 申請(qǐng)（專利權(quán)）人: 湖南工商大學(xué)
• 主分類號(hào): G06V10/72
• 分類號(hào): G06V10/72;G06V10/80;G06V10/762;G06V10/82;G06N3/04;G06K9/62
• 代理公司: 長(zhǎng)沙軒榮專利代理有限公司 43235
• 代理人: 齊超

1.一種面向鄰域連通性的不完備多視圖聚類方法，其特征在于，包括：

步驟1，根據(jù)多視圖數(shù)據(jù)集的初始特征定義不完備多視圖數(shù)據(jù)的特征集；

步驟2，通過所述多視圖數(shù)據(jù)集的樣本間的連通性，計(jì)算每個(gè)視圖上樣本的一階鄰接矩陣；

步驟3，根據(jù)全部所述一階鄰接矩陣計(jì)算每個(gè)視圖的高階鄰接矩陣，從而獲取每個(gè)視圖內(nèi)的局部連通矩陣；

步驟4，根據(jù)全部所述局部連通矩陣計(jì)算所述多視圖數(shù)據(jù)集的全局連通結(jié)構(gòu)；

步驟5，將所述多視圖數(shù)據(jù)集的初始特征連接到圖卷積神經(jīng)網(wǎng)絡(luò)，獲得樣本在視圖內(nèi)的局部連通特征；

步驟6，將多視圖全局連通矩陣按照樣本連通權(quán)重值排序，獲得每個(gè)樣本的top k連通鄰居；

步驟7，根據(jù)排序后的連通權(quán)重和預(yù)設(shè)公式生成缺失樣本；

步驟8，通過基于協(xié)同正則化多視圖譜聚類目標(biāo)函數(shù)計(jì)算多視圖的融合特征；

步驟9，通過k-means算法對(duì)所述融合特征進(jìn)行聚類，得到多視圖聚類結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于,所述步驟3具體包括：

由一階鄰接矩陣A₁計(jì)算高階鄰接矩陣A₂、…，A_n，充分挖掘單個(gè)視圖上樣本間的連通性，則視圖內(nèi)的局部連通矩陣為：

其中λ_i表示i階鄰接矩陣的權(quán)重，λ_i依次遞減，即階數(shù)越高，權(quán)重越低。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于,所述步驟4具體包括：

將全部所述局部連通矩陣合并得到全局連通矩陣；

根據(jù)預(yù)設(shè)公式計(jì)算每個(gè)樣本對(duì)應(yīng)的連通權(quán)重，從而得到所述全局連通結(jié)構(gòu)。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于,所述步驟5具體包括：

將多視圖的初始特征連接圖卷積神經(jīng)網(wǎng)絡(luò)，通過若干層的圖卷積神經(jīng)網(wǎng)絡(luò)卷積后得到樣本轉(zhuǎn)換特征作為樣本在視圖內(nèi)的局部連通特征。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于,所述步驟7具體為：

針對(duì)視圖v中缺失的樣本從排序后的連通權(quán)重矩陣中依次查找與樣本x_i的連接最緊密的前k個(gè)樣本，然后依次將k個(gè)樣本的多視圖局部特征加權(quán)平均生成樣本x_i的top k鄰居樣本特征，并通過所述預(yù)設(shè)公式將該k個(gè)鄰居樣本特征生成缺失樣本x_i。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述預(yù)設(shè)公式為

其中，表示樣本x_i的第j連通鄰居，β_j表示該鄰居的連通權(quán)重，

7.根據(jù)權(quán)利要求1所述的方法，其特征在于,所述步驟8具體包括：

通過協(xié)同正則化思想將不同視圖下獲得的樣本特征之間的相似性盡可能的相似作為目標(biāo)函數(shù)的一部分，再與每個(gè)視圖下單獨(dú)的譜聚類約束合并起來，作為協(xié)同正則化多視圖譜聚類的目標(biāo)函數(shù)，計(jì)算得到所述融合特征。

8.一種面向鄰域連通性的不完備多視圖聚類系統(tǒng)，其特征在于，包括：

定義模塊，用于根據(jù)多視圖數(shù)據(jù)集的初始特征定義不完備多視圖數(shù)據(jù)的特征集；

第一計(jì)算模塊，用于通過所述多視圖數(shù)據(jù)集的樣本間的連通性，計(jì)算每個(gè)視圖上樣本的一階鄰接矩陣；

第二計(jì)算模塊，用于根據(jù)全部所述一階鄰接矩陣計(jì)算每個(gè)視圖的高階鄰接矩陣，從而獲取每個(gè)視圖內(nèi)的局部連通矩陣；

第三計(jì)算模塊，用于根據(jù)全部所述局部連通矩陣計(jì)算所述多視圖數(shù)據(jù)集的全局連通結(jié)構(gòu)；

連接模塊，用于將所述多視圖數(shù)據(jù)集的初始特征連接到圖卷積神經(jīng)網(wǎng)絡(luò)，獲得樣本在視圖內(nèi)的局部連通特征；

排序模塊，用于將多視圖全局連通矩陣按照樣本連通權(quán)重值排序，獲得每個(gè)樣本的topk連通鄰居；

生成模塊，用于根據(jù)排序后的連通權(quán)重和預(yù)設(shè)公式生成缺失樣本；

第四計(jì)算模塊，用于通過基于協(xié)同正則化多視圖譜聚類目標(biāo)函數(shù)計(jì)算多視圖的融合特征；

聚類模塊，用于通過k-means算法對(duì)所述融合特征進(jìn)行聚類，得到多視圖聚類結(jié)果。

9.一種電子設(shè)備，其特征在于，所述電子設(shè)備包括：

至少一個(gè)處理器；以及，

與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，

所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行前述權(quán)利要求1-7中任一項(xiàng)所述的面向鄰域連通性的不完備多視圖聚類方法。