[发明专利]一种面向多视图特征融合与聚类的联合优化方法

说明书

本发明涉及一种面向多视图特征融合与聚类的联合优化方法，包括以下步骤：步骤S1:获取待聚类图像数据的若干个视图以及聚成的类别数；步骤S2:初始化相关参数和矩阵变量；步骤S3:将面向多视图特征融合与聚类的联合优化问题表示为共享指示矩阵和对应各个视图系数矩阵的矩阵分解范式，写出损失函数，确认优化目标;步骤S4:更新各项参数，直至收敛或达到最大迭代次数；步骤S5:计算得到收敛的共享聚类指示矩阵，以对每个样本标签进行分配，得到最优的聚类结果。本发明面向多视图特征，能够实现准确的聚类。

技术领域

本发明属于多视图学习领域，具体涉及一种面向多视图特征融合与聚类的联合优化方法。

背景技术

近年来，多视图技术已引起越来越多研究者的关注，并广泛应用于图像识别，图像分割，自然语言处理和多媒体理解等多个领域。给与特定的学习任务，从这些未标记数据的多个视图中发现隐藏的模式和潜在的语义称为多视图学习。大量研究表明，多视图学习比单视图学习更有效，更鲁棒且更通用，因为它考虑了不同视图的多样性，并充分利用了这些视图的共同优点。然而，如何构建多个视图，评估这些视图并学习有效的融合方法是一个巨大的挑战。

发明内容

有鉴于此，本发明的目的在于提供一种面向多视图特征融合与聚类的联合优化方法，能够有效的实现多视图特征融合与聚类。

为实现上述目的，本发明采用如下技术方案：

一种面向多视图特征融合与聚类的联合优化方法，包括以下步骤：

步骤S1:获取待聚类图像数据的若干个视图以及聚成的类别数；

步骤S2:初始化相关参数和矩阵变量；

步骤S3:将面向多视图特征融合与聚类的联合优化问题表示为共享指示矩阵和对应各个视图系数矩阵的矩阵分解范式，写出损失函数，确认优化目标；

步骤S4:更新各项参数，直至收敛或达到最大迭代次数；

步骤S5:计算得到收敛的共享聚类指示矩阵，以对每个样本标签进行分配，得到最优的聚类结果。

进一步的，所述相关参数包括β_i，γ，λ和

其中γ是一个预定义常数来增强损失函数的度量学习，β_i为正则化参数，λ为权重系数，为惩罚项系数。

进一步的，所述矩阵变量包括α,H,G,W,V和

α为不同视图的权重向量，H∈R^n×c为共享聚类指示矩阵，为对应各个视图的聚类系数矩阵，G和V为中间矩阵优化变量，和Y₂∈R^n×c为两个惩罚矩阵；c为类别个数,d_i第i个视图数据矩阵的维数。

进一步的，步骤S3具体为：

步骤S31:将面向多视图特征融合与聚类的联合优化问题表示为:

式子满足:

其中||·||_F和||·||_*分别为Frobenius范数和核函数运算符；I为单位矩阵；

步骤S32:引入迹运算符Tr(·)；引入用于衡量矩阵H正交性的重要性参数λ；

将式子改写为:

式子满足:α≥0,1^Tα＝1,H≥0

其中1∈R^k是一个各项全为1的列向量；

步骤S43:引入两个中间矩阵优化变量