基于正则化约束自编码器的图像聚类算法研究

发布时间：2021-11-16 19:54

　　现有的图像聚类方法以数据全局线性分布为前提,利用先验约束估计未标记数据点的低维子空间,并将其聚类到相应簇中,因此对非线性结构的数据处理存在一定缺陷。受启发于深度学习以其强大的非线性学习表征能力在众多应用中取得巨大成功,提出一种基于正则化约束自编码器的深度图像聚类算法。首先,在数据的稀疏表示中加入熵正则化约束,利用最大信息熵构造相似矩阵。图像的信息熵越大,用来对图像进行提取的特征就越多。然后将流形正则化信息与成对约束相结合,在自编码器中嵌入联合正则项进行训练,利用已知的半监督信息引导聚类过程。该方法一方面在学习数据的低维表示时同时保留数据的可重构性和局部流形结构的全局特征,另一方面将已知样本间的成对约束信息融入目标优化设计,使学习到的低维特征更具有判别性,这在一定程度上提高了算法的聚类效果。为了验证本文提出的图像聚类算法的性能,在4个数据集上对本文提出的算法和其它7种测试程序进行验证,并分析了正则项参数对深度图像聚类算法的影响。实验结果表明,本文提出的深度图像聚类算法与传统的图像聚类算法的聚类精度相比提高了约三个百分点,说明使用深度学习提取到的特征在某种程度上更加适合聚类;并与其它深度图... 

【文章来源】：辽宁工程技术大学辽宁省

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
变量注释表
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 论文的研究内容
    1.4 论文组织结构
2 相关理论基础
    2.1 数据预处理
    2.2 半监督聚类算法研究
    2.3 深度图像聚类算法发展趋势
    2.4 本章小结
3 流形与成对约束联合正则化的深度图像聚类算法
    3.1 基于最大熵约束的稀疏表示框架
    3.2 正则化约束自编码器网络模型
    3.3 损失函数及优化过程
    3.4 算法实现步骤与设计流程
    3.5 本章小节
4 实验及结果分析
    4.1 实验数据及评价指标
    4.2 实验参数设置
    4.3 实验结果与分析
    4.4 本章小结
5 结论与展望
    5.1 结论
    5.2 展望
参考文献
作者简历
学位论文数据集


【参考文献】：
期刊论文
[1]流形学习与成对约束联合正则化非负矩阵分解[J]. 曹佳伟,钱鹏江.  计算机科学与探索. 2020(07)
[2]分类稀疏低秩表示的子空间聚类方法[J]. 李占芳,李慧云,刘新为.  系统科学与数学. 2018(08)
[3]局部加权最小二乘回归的重叠子空间聚类算法[J]. 邱云飞,费博雯,刘大千.  模式识别与人工智能. 2018(02)
[4]局部约束加强的最小二乘回归子空间聚类[J]. 赵剑,吴小俊,董文华.  模式识别与人工智能. 2017(10)
[5]基于成对约束的交叉熵半监督聚类算法[J]. 李晁铭,徐圣兵,郝志峰.  模式识别与人工智能. 2017(07)
[6]基于l2范数的加权低秩子空间聚类[J]. 傅文进,吴小俊.  软件学报. 2017 (12)
[7]稀疏子空间聚类综述[J]. 王卫卫,李小平,冯象初,王斯琪.  自动化学报. 2015(08)
[8]基于成对约束的主动学习半监督谱聚类[J]. 蒋伟进,许宇晖,王欣.  系统科学与数学. 2013(06)



本文编号：3499470