不完整多视觉数据聚类分析

发布时间：2021-06-01 21:57

　　随着数据采集技术和数据提取技术的迅猛发展,现实世界中获得了大量的多视觉数据。一般来说,不同视觉的数据可以为彼此提供互补信息,这对于实际应用是很有帮助的。因此,多视觉数据分析被广泛应用于数据挖掘,信息检索以及多媒体等领域,多视觉聚类是多视觉学习领域的一类代表算法之一。实际应用中,由于数据采集设备的故障或者传输过程中的随机噪声的影响,经常会出现某一视觉部分数据缺失的现象,这会直接导致现有多视觉数据聚类算法性能极速下降。针对这样的数据,现有的不完备多视觉聚类方法被提出,它们多通过线性映射补全缺失数据的子空间或系数矩阵,再将多视觉数据分成不同的簇。这些方法忽略了视觉间的空间结构,导致提取的非线性特征不能较好地刻画多视图数据的互补信息;没有考虑补全视觉的多样性及真实性,导致聚类效果不好。针对上述问题,本文通过对多视觉聚类算法和缺少补全算法进行深入分析,从不同角度对算法进行改进。本文主要内容如下:（1）针对现有不完整多视觉聚类算法信息浪费,计算量大,补全视觉的多样性及真实性差等问题,本文以生成对抗网络为基础,利用多视觉数据的互补性充分学习不同视角之间的射关系,提出基于GAN的不完整多视觉聚类算法,... 

【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】：79 页

【学位级别】：硕士

【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 研究背景及意义
    1.2 国内外研究现状
    1.3 本文研究内容及安排
第二章 基础知识
    2.1 引言
    2.2 多视觉聚类
        2.2.1 谱聚类
        2.2.2 自动加权多图学习
    2.3 不完整多视觉聚类
        2.3.1 基于图正则化NMF的不完整多视觉聚类
        2.3.2 基于双约束NMF的不完整多视觉聚类
        2.3.3 不完整多模态视觉数据聚类
    2.4 生成对抗网络相关知识
        2.4.1 生成对抗网络
        2.4.2 上下文自编码器
        2.4.3 循环一致性生成对抗网络
    2.5 聚类指标
        2.5.1 识别率
        2.5.2 标准互信息
        2.5.3 纯度
    2.6 本章小结
第三章 基于生成对抗网络的不完整多视觉聚类
    3.1 引言
    3.2 基于GAN的不完整多视觉聚类核心思想和网络模型
        3.2.1 核心思想
        3.2.2 网络模型
        3.2.3 目标函数
        3.2.4 网络更新
    3.3 实验仿真及结果分析
        3.3.1 实验数据介绍
        3.3.2 实验结果与实验分析
    3.4 本章小结
第四章 基于一致性GAN不完整多视觉聚类
    4.1 引言
    4.2 基于一致性GAN不完整多视觉聚类算法分析
        4.2.1 核心思想
        4.2.2 网络模型
        4.2.3 目标函数
        4.2.4 网络更新
    4.3 实验仿真及结果分析
        4.3.1 实验数据介绍
        4.3.2 实验结果与实验分析
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简介



本文编号：3210229