[发明专利]一种基于Sliced-Wasserstein距离的深度自编码进行图像降维并嵌入聚类的方法

说明书

本发明公开了一种基于Sliced‑Wasserstein距离的深度自编码进行图像降维并嵌入聚类的方法，包括步骤：S11.构建基于Sliced‑Wasserstein距离的自编码网络模块；S12.构建聚类模块；S13.将所述构建的自编码网络模块和聚类模块进行联合，构建基于Sliced‑Wasserstein距离的自编码嵌入式聚类网络；S14.初始化构建后的自编码嵌入式聚类网络的聚类中心，将无标签的数据集输入到网络进行迭代训练，并对自编码嵌入式聚类网络进行处理，当所述处理后的自编码嵌入式聚类网络达到预设阈值时，完成最终的聚类。本发明在网络的迭代训练过程中，同时优化了自编码网络模块以及聚类模块，从而达到聚类完成的效果。

技术领域

本发明涉及无监督深度学习聚类技术领域，尤其涉及一种基于 Sliced-Wasserstein距离的深度自编码进行图像降维并嵌入聚类的方法。

背景技术

聚类算法又称群分析，它是研究(样品或指标)分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。聚类(Cluster)分析是由若干模式(Pattern)组成的，通常，模式是一个度量(Measurement)的向量，或者是多维空间中的一个点。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。

聚类算法已经从不同的角度进行了广泛的研究，流行的聚类方法的主要是K-Means、Gaussian Mixture Models(GMM)和谱聚类。K-Means、GMM 这些方法快速且适用于广泛的问题，也取得了成功，但是，这些框架仅限于线性嵌入，都在原始要素空间中进行聚类。而谱聚类是一种基于相似度的聚类或子空间聚类方法的代表性算法，然而基本上都始于建立亲和矩阵并将原始数据投影到线性子空间，最后在子空间完成聚类。但是，这些大多数现有的聚类方法受到现代应用程序生成数据的严峻挑战，这些数据通常具有高维度，噪声，异构和稀疏性。它们的距离度量限于原始数据空间，并且当输入维数很高时它们往往无效。得益于卷积神经网络算法的发展，深度自编码器在无监督领域中展现出了惊人的能力，因此，寻找一种合适的自编码方式进行图像的降维并同时完成聚类十分重要。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种基于Sliced-Wasserstein 距离的深度自编码进行图像降维并嵌入聚类的方法，在网络的迭代训练过程中，同时优化了自编码网络模块以及聚类模块，从而达到聚类完成的效果。

为了实现以上目的，本发明采用以下技术方案：

一种基于Sliced-Wasserstein距离的深度自编码进行图像降维并嵌入聚类的方法，包括步骤：

S1.构建基于Sliced-Wasserstein距离的自编码网络模块；

S2.构建聚类模块；

S3.将所述构建的自编码网络模块和聚类模块进行联合，构建基于 Sliced-Wasserstein距离的自编码嵌入式聚类网络；

S4.初始化构建后的自编码嵌入式聚类网络的聚类中心，将无标签的数据集输入到网络进行迭代训练，并对自编码嵌入式聚类网络进行处理，当所述处理后的自编码嵌入式聚类网络达到预设阈值时，完成最终的聚类。

进一步的，所述步骤S1中构建的自编码网络模块由编码器f(x；θ_f)和解码器g(z；θ_g)组成。

进一步的，所述步骤S1还包括采用均方损失、L1范数损失、 Sliced-Wasserstein的近似距离约束自编码网络的重构和映射至潜在特征空间的性能：