基于稀疏嵌入框架的不完全多视图聚类

发布时间：2021-05-22 17:11

　　随着计算机技术的发展,数据采集渠道与特征提取器的种类日趋多样,使得同一对象可以从不同层面进行描述,从而产生多个视图形成多视图数据。然而,由于遮挡、仪器损坏等原因导致采集到的每个视图数据均不完整,形成不完全（有样本缺失的）多视图数据。因此,如何处理不完全多视图数据并从中挖掘到该类数据的共享信息,以及如何利用这类多视图数据的一致性原则以及互补原则完成多视图聚类任务,已经引起机器学习领域研究人员的广泛关注。目前,针对不完全多视图数据,已有的大多数方法都是基于非负矩阵分解（Nonnegative Matrix Factorization,NMF）求得原始不完整数据的共享表示（Common Representation）,然后执行k-means聚类方法求得最终的结果。这种“两阶段”多视图聚类方法没有考虑不完全多视图数据处理与聚类的关系,即在数据处理阶段没有考虑聚类的要求,这使得现有方法的性能还可以进一步提升。此外,基于非负矩阵分解来解决缺失问题的聚类方法没有考虑由NMF学习到的基矩阵的判别能力以及系数的稀疏程度。而且,大多数现有的聚类方法均在训练模型前进行降维,无法充分利用原始数据中的判别信息。... 

【文章来源】：南昌大学江西省 211工程院校

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 多视图聚类算法
        1.2.2 不完全多视图聚类算法
    1.3 研究内容及创新
    1.4 论文结构
第2章 相关知识介绍
    2.1 聚类分析概述
        2.1.1 聚类分析概念
        2.1.2 聚类分析的过程
        2.1.3 聚类分析的相似性测量
        2.1.4 聚类算法的分类
    2.2 多视图学习概述
        2.2.1 协同训练学习算法
        2.2.2 多核学习算法
        2.2.3 子空间学习算法
    2.3 基于NMF的不完全多视图聚类概述
        2.3.1 不完全多视图数据的处理方法
        2.3.2 非负矩阵分解介绍
        2.3.3 基于非负矩阵分解的不完全多视图聚类算法介绍
    2.4 本章小结
第3章 稀疏表示与字典学习
    3.1 稀疏表示
    3.2 字典学习
        3.2.1 无监督字典学习
        3.2.2 有监督字典学习
    3.3 本章小结
第4章 基于稀疏嵌入框架的不完全多视图聚类
    4.1 引言
    4.2 PMC-SE算法
        4.2.1 符号说明
        4.2.2 基于稀疏嵌入框架的聚类
        4.2.3 基于Fisher准则的字典学习
        4.2.4 PMC-SE目标函数
    4.3 PMC-SE算法优化
        4.3.1 初始化
        4.3.2 优化过程
        4.3.3 算法总结
    4.4 算法复杂度及收敛性分析
        4.4.1 收敛性分析
        4.4.2 计算复杂度分析
    4.5 本章小结
第5章 实验与结果分析
    5.1 实验设置
        5.1.1 对比算法介绍
        5.1.2 参数设置
    5.2 人工合成数据实验
    5.3 Extend Yale B人脸数据库实验
    5.4 手写数字识别数据库(MNIST)实验
    5.5 CALTECH-101数据库实验
    5.6 收敛分析
    5.7 本章小结
第6章 总结与展望
致谢
参考文献
在攻读学位期间的研究成果


【参考文献】：
期刊论文
[1]字典学习模型、算法及其应用研究进展[J]. 练秋生,石保顺,陈书贞.  自动化学报. 2015(02)
[2]稀疏表示分类人脸识别方法综述[J]. 侯彦东,杜海顺.  计算机光盘软件与应用. 2014(14)

硕士论文
[1]基于多核学习的多视图增量聚类模型研究[D]. 张佩瑞.西南交通大学 2017
[2]多视角数据缺失补全问题研究[D]. 杨旭.北京交通大学 2016
[3]多视图学习研究及其算法改进[D]. 刘彦勋.西安电子科技大学 2015



本文编号：3201368