[发明专利]基于深度矩阵的约束概念分解聚类方法

权利要求书

1.一种基于深度矩阵的约束概念分解聚类方法，其特征在于，所述聚类方法中包括：

S10获取m个待聚类图像，并根据待聚类图像构造k个最邻近图；

S20针对每个最邻近图得到相应的数据矩阵X，所述数据矩阵X中包括n个数据点，并使用非负矩阵分解方法对数据矩阵X进行分解得到特征矩阵W；

S30对数据矩阵X中的p个数据点进行标记；

S40基于特征矩阵W及标记数据点，建立约束概念分解的目标函数σ；

其中，H₁,...,H_k表示深度分解不同属性层次对应的属性因子，H_i表示深度分解的第i层属性层，1≤i≤k；A为根据数据矩阵X中的标记数据点和未标记数据点构建的约束矩阵；W＝AF为数据矩阵X的特征矩阵，F为辅助矩阵；

S50根据目标函数σ，使用迭代加权的方法迭代预设次数，得到数据矩阵X深度分解的每一层的特征矩阵W_i和权重矩阵H_i，1≤i≤k；

S60采用k-means聚类算法分别对每个最近邻图所得到的特征矩阵进行分析并聚类；

待聚类图像为人脸图像，在聚类过程中，数据矩阵X表示来自不同对象的面部图像的集合，则根据数据矩阵X的三种不同属性以三种不同的方式进行分解：

其中，H₃对应于识别表达式的映射，H₂H₃对应于姿态的映射，H₁H₂H₃对应于人脸图像的身份的映射；通过学习隐藏表示在每一层最适合每个属性的数据来定义找到最好的特征来进行聚类；为聚类原来图像的姿态，为聚类面对图像的表达式。

2.如权利要求1所述的聚类方法，其特征在于，在步骤S20中，约束矩阵A具体为：

其中，U_p×u表示数据矩阵X中标记数据点矩阵，p表示标记点的数量，u表示标记类别；n-p表示未标记数据点的数量，n表示数据矩阵X中数据点的数量，I_n-p表示(n-p)×(n-p)的单位矩阵。

3.如权利要求1或2所述的聚类方法，其特征在于，在步骤S30中，

权重矩阵H_i的更新规则为：

其中，ψ＝H₁...H_i-1，表示第i层重建的特征矩阵；

特征矩阵W_i的更新规则为：

其中，[M]^pos表示矩阵中所有负元素都被0替换，[M]^neg表示矩阵中所有正元素都被0替换。