CN115311483B 基于局部结构与平衡感知的不完备多视图聚类方法及系统 （哈尔滨工业大学（深圳））

基于局部结构与平衡感知的不完备多视图本发明公开了一种基于局部结构与平衡感与平衡感知的具有概率特性的不完备多视图一征学习模型中含有的变量设计基于交替迭代优优化后得到的最优共享一致表征矩阵得到所有2建立模型：对于不完备多视图数据的聚类任务，设计基于局部结示单位矩阵的第(i,j)行列位置的元素值，表示第i个样本和第j个样本的第v个视图之数据预处理：对给定视图缺失先验位置索引矩阵Z的不完备多视图数据进行预优化模型：根据预处理后的数据和不完备多视图一致聚3聚类过程：利用优化后得到的最优共享一致表征矩阵P得到数据的聚类结果，具体包2.根据权利要求1所述的基于局部结构与平衡感知的不完备多视图聚类方法，其特征3.根据权利要求2所述的基于局部结构与平衡感知的不完备多视图聚类方法，其特征44.一种基于局部结构与平衡感知的不完备多视图聚类系建立模型单元，用于对不完备多视图数据的聚类任务，设计基于局部结示单位矩阵的第(i,j)行列位置的元素值，表示第i个样本和第j个样本的第v个视图之数据预处理单元，用于对给定视图缺失先验位置索引矩阵Z的不完备多视图数据进行预处理；55.根据权利要求4所述的基于局部结构与平衡感知的不完备多视图聚类系统，其特征6.根据权利要求5所述的基于局部结构与平衡感知的不完备多视图聚类系统，其特征6所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被8.一种计算机可读存储介质，其特征在于，所述7同方式收集到的各种多视图数据，多视图数据的聚类(MVC,Multi_viewClustering)需求于非负矩阵分解(NMF，Non_negativeMatrixFactorization)的多视图聚类模型在网页项方法普遍采用复原缺失信息的思想来解决不完备多[0004]虽然缺失信息补全的方法从某种程度上可以解决部分视图信息缺失下的不完备8M9:为样例:的k个近邻之[0033]数据预处理单元，用于对给定视图缺失先验位置索引矩阵Z的不完备多视图数据进行预处理；[0034]优化模型单元，用于根据预处理后的数据和不完备多视图一致聚类表征学习模,,[0041]聚类单元，用于利用优化后得到的最优共享一致表征矩阵P来得到数据的聚类结将第i个样本划分到第j个类别。通过求取表征矩阵P每一列最大元素值对应的位置即可得本与k个最近邻样本之间距离，计算方式为其中为样例的k个近邻储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述基于局部结构与平衡感知的不完备多视图聚类方述基于局部结构与平衡感知的不完备多视图聚类(LUBA_EIMVC,LocalstrUcture_andBalance_AwareEfficientIncompleteMulti_ViewClustering)针对不完备多视图的高[0052]LUBA_EIMVC设计了一种新颖的平衡感知的图正则化不完备多视图正交矩阵分解用未缺失的视图信息来学习具有概率特性的聚类[0053]不同于现有的使用k_means获取聚类结果的方法，LUBA_EIMVC直接获得一个所有[0054]为了避免样本在模型优化聚类结果的过程中被过于集中在某些类甚至某一类的[0055]由于概率特性一致表征的学习，LUBA_EIMVC所设计的模型是一个具有可解释性、[0056]图1是本发明实施例中基于局部结构与平衡感知的不完备多视图聚类方法示意[0057]图2是本发明实施例中不完备多视图一致聚类表征学习模型优化学习流程示意[0058]图3是本发明实施例中基于局部结构与平衡感知的不完备多视图聚类系统结构示[0062]本发明实施例针对一种基于局部结构与平衡感知的不完备多视图聚类方法及系[0064]本发明实施例1的一种基于局部结构与平衡感知的不完备多视图聚类方法示意图如图1所示，为基于局部结构与平衡感知的不完备多视图聚类(LUBA_EIMVC,LocalstrUcture_andBalance_AwareEfficientIncompleteMulti_ViewClustering)方法示意图，该方法旨在从不完备多视图数据中获得其具有均衡聚类结果的正概率一致表征矩[0069]具体实施过程中，对于给定的不完备多视图数据和视图缺失任务，实施例设计了式(1)的局部结构与平衡感知的具有概率特性的不完备多视图一致聚[0072]在模型(1)中，基矩阵U(v)上的正交约束U(v)TU(v)＝I可以避免聚的数据归为s(s<c)类。相比kmeans得到的二值聚类标签而言，模型(1)中引入的约束PT1[0074]优选实施方式中，对给定视图缺失先验位置索引矩阵Z的不完备多视图数据本与k个最近邻样本之间距离，计算方式为其中为样例的k个近邻示:[0120]聚类过程：利用优化后得到的最优共享一致表征矩阵P，根据[0121]因为本发明矩阵P中的元素代表了每个样本隶属于某类的概率，因此可以直接根据来得到数据的聚类结果，即若第i列P:,i中第j个元素值最[0122]本发明方法为各行各业应用场景中存在的视图缺失下的不完备多视图数据聚类型具有唯一稳定解：不同于传统方法需要额外进行kmeans聚类来得到不稳定的聚类结果，[0124]本发明实施例2所提供的一种基于局部结构与平衡感知的不完备多视图聚类系统300可执行本发明任意实施例所提供的基于局部结构与平衡感知的不完备多视图聚类方[0125]图3是本发明实施例2中的一种基于局部结构与平衡感知的不完备多视图聚类系[0131]优化模型单元330，用于根据预处理后的数据和所设计的不完备多视图一致聚类M:表示[0147]一种基于局部结构与平衡感知的不完备多视图聚类系统300的具体工作过程参照[0151]本发明实施例也可以被实现为计算机可读存储介质。根据实施例4的计算机可读照以上附图描述的根据本发明实施例1的基于局部结构与平衡感知的不完备多视图聚类方[0152]本发明实施例针对以上所述基于局部结构与平衡感知的不完备多视图聚类方法、类方法及系统进行训练测试。表格2显示在视图缺失率为30％的BBCSport、Caltech101和46.21±4.7163.45±1.9778.79±3.0220.12±0.7525.15±0.3127.63±0.9047.69±7.6152.43±6.6371.83±7.37[0155]表格3为在视图缺失率为30％的BBCSport、Caltech101和3Sources数据集上的执4.967[0158]利用实施例1_4以及上述性能分析，本发明提出基于局部结构与平衡感知的不完备多视图聚类方法及系统，所述基于局部结构与平衡感知的不完备多视图聚类(LUBA_EIMVC,LocalstrUcture_andBalance_AwareEfficientInco