[发明专利]基于深度矩阵的约束概念分解聚类方法

说明书

本发明提供了一种基于深度矩阵的约束概念分解聚类方法，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，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；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Wsubgt;i/subgt;和权重矩阵Hsubgt;i/subgt;，1≤i≤k；S60采用k‑means聚类算法分别对每个最近邻图得到的特征矩阵进行分析并聚类。该聚类方法利用标记与非标记的数据点，将标记信息作为约束强加给目标函数，大大提升了识别能力，提高了聚类的精确度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种约束概念分解聚类方法。

背景技术

随着数据通讯的发展，对于图像数据进行处理的需求也越来越大，尤其是在计算机视觉和模式识别领域。基于矩阵分解的技术，如非负矩阵分解和概念分解，在数据聚类中受到了广泛的关注，这两种方法本质上是非监督方法。

随着数据采集规模的增加，算法的效率也需要提升。自然生成的图像数据是由结构系统生成的，其自由度通常比外界维数要小很多，而在低维线性子空间中，图像聚类的效率可以得到显著提高，基于矩阵分解的聚类方法就是一种将高维度的数据降低到低维度的聚类方法，已然取得了非常的应用。典型的矩阵分解算法包括主成分分析、奇异值分解、矢量量化、非负矩阵分解及概念分解。

将非监督算法推广到半监督算法的一般方法是图正则化，在该方法中，定义一个图，其中节点在数据集中标记和未标记的示例，边缘反映了示例的相似性，然后，将图形作为调节器插入目标函数中。最近，提出了一种图形正则化非负矩阵分解方法对数据空间的几何信息进行编码，其构造一个近邻图来建模局部的结构。当标记信息可用时，可以自然地融入到图形结构中。

目前，若要将概念分解扩展到半监督中使用，虽然可以与图形正则化非负矩阵分解执行同样的步骤，构建一个半监督图，但是仍然存在一些限制，主要的缺点是，没有理论保证来自同一类的数据点将被映射到新的表示空间中，且没有相应的权重选择的方法。

发明内容

针对上述问题，本发明提供了一种基于深度矩阵的约束概念分解聚类方法，有效解决现有技术将概念分解扩展到半监督算法的过程中，无法保证同一类的数据点被映射到相同的表示空间中的技术问题。

本发明提供的技术方案如下：

一种基于深度矩阵的约束概念分解聚类方法，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。