基于图学习的多视图聚类

发布时间：2021-04-12 06:18

　　随着互联网和传感器技术的迅速发展,人们获取的数据从过去的单一视图描述逐渐演变为无处不在的多视图描述。因此,多视图学习成为人工智能、机器学习等领域的研究热点。多视图聚类分析作为多视图学习任务的一个主要研究方向,在过去的几十年里发展迅速,取得了长足的进展。其中,基于图学习的多视图聚类因其简单、高效而受到人们的广泛关注。然而,受不同视图之间的异构信息及实际数据中可能存在的噪声影响,已有基于图学习的多视图聚类方法从多个视图或多个图中直接学习一致的图,难以准确的刻画所有视图的结构,从而降低了聚类的稳定性和正确性。对此问题,论文分别从图输入和样本输入入手,深入研究鲁棒图学习的多视图聚类算法。具体内容如下:针对基于Markov的多视图聚类方法忽略了目标秩先验信息,处理含有光照变化等噪声数据时聚类性能退化明显问题,提出了融合局部和全局图的多视图聚类方法。该方法使用最小化部分奇异值之和代替核范数,有效地将目标秩的先验信息嵌入到一致图学习模型中。另外,使用每个视图构建的局部图和所有视图串联的特征构建的全局图做输入,明确考虑了多视图数据的局部几何结构和全局几何结构。在人脸、数字、视频图像等八个标准数据集,以... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：126 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景和意义
    1.2 研究现状
        1.2.1 基于样本输入的多视图聚类
        1.2.2 基于图输入的多视图聚类
    1.3 研究内容及贡献
    1.4 组织结构
第二章 融合局部和全局图的多视图聚类
    2.1 基于Markov的谱聚类概述
        2.1.1 基于Markov的谱聚类
        2.1.2 鲁棒多视图谱聚类
    2.2 融合局部和全局图的多视图聚类
        2.2.1 思想及模型设计
        2.2.2 优化算法
        2.2.3 构建全局图和转移概率矩阵
    2.3 实验分析
        2.3.1 数据集
        2.3.2 对比算法
        2.3.3 评价指标
        2.3.4 实验设置
        2.3.5 实验结果
    2.4 本章小结
第三章 基于图潜在子空间学习的多视图聚类
    3.1 基本思想
    3.2 数学模型及优化算法
        3.2.1 目标函数
        3.2.2 优化算法
        3.2.3 计算复杂度分析及收敛性说明
    3.3 实验分析
        3.3.1 实验设置
        3.3.2 实验结果
    3.4 本章小结
第四章 基于潜在相似度学习的多视图聚类
    4.1 潜在多视图子空间聚类
    4.2 局部自适应潜在相似度学习
        4.2.1 基本思想及模型设计
        4.2.2 优化算法
        4.2.3 计算复杂度分析及收敛性说明
    4.3 实验分析
        4.3.1 标准数据集上的实验及分析
        4.3.2 在癌症景观数据集上的实验及分析
    4.4 本章小结
第五章 基于加权张量核范数的多视图聚类
    5.1 基础知识
        5.1.1 张量
        5.1.2 低秩张量约束的多视图子空间聚类
    5.2 加权张量核范数
        5.2.1 思想及数学模型
        5.2.2 优化算法
        5.2.3 与现有的代表性模型的关系
    5.3 基于加权张量核范数的多视图聚类
        5.3.1 思想及数学模型
        5.3.2 优化算法
        5.3.3 收敛分析
    5.4 实验分析
        5.4.1 数据集
        5.4.2 对比算法
        5.4.3 参数设置及分析
        5.4.4 实验结果及分析
        5.4.5 多视图特征的贡献
    5.5 小结
第六章 总结与展望
    6.1 工作总结
    6.2 研究内容展望
参考文献
致谢
作者简介



本文编号：3132790