针对复杂匹配关系及噪声数据的多视图聚类方法研究

发布时间：2024-12-10 00:25

　　近年来,许多针对多视图数据的聚类算法被提出。然而现有的多视图聚类方法无论是针对完整的多视图数据还是不完整的多视图数据大多都认为跨视图的样本之间具有严格的一对一的匹配关系或没有关系。在实际情况中,一个视图的样本可能与另一个视图的多个样本有对应关系,现有的多视图聚类方法往往忽略了跨视图样本之间的这种复杂匹配关系。另一方面,实际生活中,每个视图都可能混入部分噪声数据,影响聚类效果。因此本文针对视图间的复杂匹配关系以及视图数据包含噪声的问题进行了研究。针对多视图数据之间多对多的复杂匹配关系问题,本文提出一种新的复杂匹配多视图聚类方法。该方法通过挖掘并利用视图间复杂匹配关系来获得视图间更丰富的互补信息和一致性信息,以此得到具有高度一致性的聚类结果。具体来说,该方法首先根据视图内部样本之间的近邻关系设计衡量跨视图样本之间的相似性函数,通过相似函数来构建视图间的复杂匹配关系矩阵;然后将关系矩阵应用于基于图约束的非负矩阵分解的多视图聚类方法中,建立视图间的加权投影关系,指导视图信息融合。最后我们给出所提方法的优化求解方案。针对多视图数据包含噪声的问题,本文提出一种新的针对噪声数据的多视图三支聚类方法。借...

【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 多视图学习策略
        1.2.2 多视图聚类方法
    1.3 论文主要工作
    1.4 论文组织结构
第2章 理论基础
    2.1 非负矩阵分解
    2.2 谱聚类
    2.3 多视图聚类
        2.3.1 多视图数据
        2.3.2 基于非负矩阵分解的多视图聚类
        2.3.3 基于协同正则化的多视图谱聚类
    2.4 三支聚类表示
    2.5 常见聚类评价指标
    2.6 本章小结
第3章 复杂匹配关系多视图聚类
    3.1 视图间复杂匹配关系
    3.2 构建复杂匹配关系矩阵
    3.3 视图信息融合
        3.3.1 CMMVC目标函数
        3.3.2 目标函数求解
    3.4 算法描述
    3.5 算法时间复杂度分析
    3.6 实验分析
        3.6.1 数据集
        3.6.2 对比方法介绍
        3.6.3 参数学习
        3.6.4 完整多视图数据集实验结果
        3.6.5 不完整多视图数据集实验结果
        3.6.6 收敛性分析
    3.7 本章小结
第4章 针对噪声数据的多视图三支聚类
    4.1 算法框架概述
    4.2 视图相似性矩阵分解
    4.3 协同正则化多视图三支聚类过程
    4.4 实验分析
        4.4.1 数据集
        4.4.2 对比方法
        4.4.3 实验结果
    4.5 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：4015309