[发明专利]基于多视图的子空间聚类方法、装置、设备及存储介质

权利要求书

1.一种基于多视图的子空间聚类方法，其特征在于，包括：

提取多视图数据的特征，得到数据特征矩阵；

基于所述数据特征矩阵，联合矩阵的核范数和Forbenius范数作为正则项估计秩函数，并且引入张量约束，构造各视图矩阵子空间聚类的优化目标函数；

求解所述优化目标函数的最优化问题，得到各视图的子空间表示矩阵；

基于各视图的子空间表示矩阵，计算得到所述多视图数据的亲和矩阵；

利用谱聚类算法对所述亲和矩阵进行分割，以实现对所述多视图数据的子空间聚类。

2.根据权利要求1所述的基于多视图的子空间聚类方法，其特征在于，所述基于各视图的子空间表示矩阵，计算得到所述多视图数据的亲和矩阵包括：

采用S^v＝|Z^(v)|+|Z^(v)|^T分别计算第v个视图的亲和矩阵S^v，Z^(v)为第v个视图的子空间表示矩阵；

利用下述公式计算所述多视图数据的亲和矩阵S：

V为视图总个数。

3.根据权利要求1所述的基于多视图的子空间聚类方法，其特征在于，所述利用谱聚类算法对所述亲和矩阵进行分割为：

计算所述亲和矩阵的度矩阵；

采用L＝I-D1^/2SD^1/2计算归一化的拉普拉斯矩阵L：

式中，D为所述度矩阵，S为所述亲和矩阵，I为单位矩阵；

计算所述拉普拉斯矩阵的特征向量，取前K个特征值最大的向量按列排列为列矩阵；

将所述列矩阵的行向量转变为单位向量，得到目标矩阵；

采用K-means聚类方法对所述目标矩阵进行聚类，得到K个聚类

结果。

4.根据权利要求1至3任意一项所述的基于多视图的子空间聚类方法，其特征在于，所述优化目标函数为：

s.t.X^v＝X^vZ^v+E^v，v＝1，2，…,V；

E＝[E¹，E²，…,E^V]；

式中，Z为子空间表示矩阵，X为所述数据特征矩阵，E为重构误差矩阵，λ为控制损失惩罚强度的超参数，φ(.)为构造的三阶张量||·||_*为核范数，V为视图总个数。

5.根据权利要求4所述的基于多视图的子空间聚类方法，其特征在于，所述求解所述优化目标函数的最优化问题为：

采用交替方向乘子方法求解所述优化目标函数的最优化问题。

6.根据权利要求5所述的基于多视图的子空间聚类方法，其特征在于，所述提取多视图数据的特征，得到数据特征矩阵之后，还包括：

对所述数据特征矩阵中的各特征点进行归一化处理。

7.一种基于多视图的子空间聚类装置，其特征在于，包括：

特征提取模块，用于提取多视图数据的特征，得到数据特征矩阵；

优化目标函数构造模块，用于基于所述数据特征矩阵，联合矩阵的核范数和Forbenius范数作为正则项估计秩函数，并且引入张量约束，构造各视图矩阵子空间聚类的优化目标函数；

子空间表示矩阵计算模块，用于求解所述优化目标函数的最优化问题，得到各视图的子空间表示矩阵；

亲和矩阵计算模块，用于基于各视图的子空间表示矩阵，计算得到所述多视图数据的亲和矩阵；

子空间聚类模块，用于利用谱聚类算法对所述亲和矩阵进行分割，以实现对所述多视图数据的子空间聚类。