CN115392350B 一种基于共正则化谱聚类的不完整多视图聚类方法和系统 （广东工业大学）

一种基于共正则化谱聚类的不完整多视图本发明公开了一种基于共正则化谱聚类的2S4：根据每个视图的相似矩阵计算每个视图的S6：基于一致聚类指示矩阵构建不完整多视3(v)表示第v个视图的基矩阵，U()eRd,o;V(v)表示第v个视图的系数矩阵，根据邻接矩阵W(v)和加权度矩阵D(v)计算相似矩阵Z(v)的拉普拉斯矩阵2:4(v)的线性核9.一种基于共正则化谱聚类的不完整多视图聚类系统，用于实现权利要求1_8任一项数据获取转换模块，用于获取不完整多视图数据集，并将所述数据5相似矩阵计算模块，用于基于每个视图的系数矩阵的自表示特性，聚类指示矩阵计算模块，用于根据每个视图的相似矩阵计算每个视图的拉普拉斯矩一致聚类指示矩阵计算模块，用于对每个视图的聚类指示更新第一拉格朗日乘子cf"和第三惩罚参数μ;否则，返回至所述利用交替方向乘子法ADMM对增广聚类模块，用于将最优一致聚类指示矩阵输入现有的分6找到合适的聚类结果，直接使用这些方法对多视图数据进行聚类通常不能得到理想的结忽略所有视图中数据点之间的公共关系；(2)没有充分利用原始数据表示的互补多视图信[0003]现有技术中公开了一种基于自适应权重的多视K多均值的图像聚类方法，使用多[0004]本发明为克服上述现有多视图聚类方法无法在视图数据不完整的条件下实现准78[0033]根据邻接矩阵W(v)和加权度矩阵D(v)计算相似矩阵Z(v)的拉普拉斯矩阵2:v个视图的聚类指示矩阵；cco"表示索引矩阵H(v)的转置矩阵，指示矩阵F(v)，聚类指示矩阵的每一行都是新低维表示，包含了更具判别性的局9[0070]参考半非负矩阵分解中的更新策略更新V(v)，因为半非负矩阵分解和子空间学习[0073](v"p"tu"v"v"-u"x"),?"-0[0120]图1为实施例1所述的一种基于共正则化谱聚类的不完整多视图聚类方法的流程[0122]图3为实施例3所述一种基于共正则化谱聚类的不完整多视图聚类系统的结构示[0125]对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解[0161]根据邻接矩阵W(v)和加权度矩阵D(v)计算相似矩阵Z(v)的拉普拉斯矩阵2:v个视图的聚类指示矩阵；cco"表示索引矩阵G(v)的转置矩阵，指示矩阵F(v)，聚类指示矩阵的每一行都是新低维表示，包含了更具判别性的局[0198]参考半非负矩阵分解中的更新策略更新V(v)，因为半非负矩阵分解和子空间学习[0201](V"P"+U""U"V"-U""X")"-0线图，图中纵坐标表示目标函数值(objectivevalue)，横坐标为迭代次数(numberof[0240]在具体实施过程中，将本实施例提出的方法在Caltech7数据集上进行实验，Caltech7数据集是Caltech101数据集的子集，由1474个样例组成，包括“faces”、Caltech7数据集上，将每个视图上的数据随机丢失一定比例，丢失比例选择10％、30％与例提出的方法(Ours)在Caltech7数据集上随机丢失5次，给出运行5次的均值与标准差，对比结果包括聚类正确率(ACC)、规范化互信息(NMI)和聚类纯度(Purity)；实验结果如下表所示：施例1或2所述的基于共正则化谱聚类的不完整多视图聚类方