加权多视图子空间聚类算法研究

发布时间：2021-02-10 01:15

　　随着大数据时代的发展,数据的采集和存储技术已经越来越丰富。人们获得的数据往往是由多组特征进行描述的数据即多视图数据。比如,不同视角下拍摄的同一对象的图像数据。此类数据在不同方向对该对象的特征进行描述,既携带了大量互补信息,同时包含了大量冗余信息,并且特征维度高。如何能够有效地对多视图数据进行高效和准确的分析成为巨大的挑战。聚类分析是进行数据分析的一个基本方法,一直以来都受到高度的关注并且发展迅速。其中,在子空间上进行多视图聚类是目前解决多视图数据聚类任务的一个主要发展方向。本文针对多视图子空间聚类方法中如何有效地同时利用视图间的相关性和差异性这一关键问题展开研究,对多视图子空间聚类方法中的视图权重学习提出了优化、改进方案,探索了各视图间的权重分配问题,利用了视图间的关系,提高了聚类的性能。本文的主要研究内容包括:（1）谱聚类算法的研究。谱聚类是稀疏子空间聚类的基础,也是本文开展研究工作的基础。论文研究了谱聚类算法的理论和经典谱图划分方法,介绍了图论理论知识以及Laplacian矩阵,但是谱聚类需要k-means作为后处理的方式进行聚类,而k-means本身对初值敏感。基于谱聚类k-me... 

【文章来源】：广东工业大学广东省

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

多视图数据示例

图 2-4 子空间学习过程Fig.2-4 The process of Subspace clustering learning类是一种基于图论的聚类算法[36]，其基本思想是利用反映数据阵计算 Laplacian 矩阵，然后选择 Laplacian 矩阵的前 k（k 是构成新的谱空间并进行数据映射，通过特征空间的映射，谱有挑战性的数据转化为传统聚类算法（如 k-means）容易处理是基于图的聚类方法中的一种，数据的聚类问题实际上就是出的谱聚类算法就是针对单视图数据样本构成的图的一种最onath 和 Hoffman 的文献[37]，他们首先提出用相似矩阵的特38]。同年，Fiedler[39]提出图的二划分与图 Laplacian 矩阵的第[4

1 , 2,3,4,5,6 ， E ( 1,2),(1,5),(1,3),(2,3),(5,4),(5,6),(4,6),(3,4 为 权 重 ， 例 如 ： 点 1 和 点 2 的 权 重 0445566 W W W 图 2-5 无向图Fig.2-5 Undirected graph来讲，谱聚类的过程就是数据图的最优划分问题，使得不同子图的点相似性最低。图 2-6 给出了图划分过程


本文编号：3026540