[发明专利]基于图结构学习的缺失多视图子空间聚类方法及系统

权利要求书

1.基于图结构学习的缺失多视图子空间聚类方法，其特征在于，包括：

获取训练缺失多视图的特征数据集；

依据特征数据集，基于多视图谱聚类和低秩表示学习得到每个视图数据的潜在表示和伪标签矩阵，通过多视图子空间聚类学习得到统一的相似性矩阵，构造基于图结构学习的缺失多视图子空间聚类目标函数；

求解基于图结构学习的缺失多视图子空间聚类目标函数，得到相似性矩阵；

获待聚类缺失多视图的特征数据集，在所述相似性矩阵的基础上施加秩约束，得到块对角矩阵，得到聚类结果。

2.如权利要求1所述的基于图结构学习的缺失多视图子空间聚类方法，其特征在于，所述特征数据集包括每个视图的样本数据集和伪标签矩阵。

3.如权利要求2所述的基于图结构学习的缺失多视图子空间聚类方法，其特征在于，潜在表示和伪标签矩阵的目标函数为：

其中，λ表示第v个视图的误差矩阵的平衡参数，β表示平衡参数，F^(v)∈R^n×c表示第v个视图的伪标签矩阵，n表示数据样本数，c表示聚类数，v表示视图序号，v＝1，…，V，V表示视图总数，是第v个视图的拉普拉斯矩阵，G^(v)表示未缺失样本的伪标签矩阵，表示每个视图的潜在表示，表示构造的潜在表示的误差矩阵，表示第v个试图的不缺失样本，(F^(v))^TF^(v)＝I_c表示F^(v)为正交矩阵，表示对角线元素为0。

4.如权利要求3所述的基于图结构学习的缺失多视图子空间聚类方法，其特征在于，相似性矩阵的目标函数为：

s.t.(F^(v))^TF^(v)＝I_c,W≥0,W1＝1,rank(L_W)＝n-c

其中，W表示统一的图结构，F^(v)∈R^n×c表示第v个视图的伪标签矩阵，γ表示权重参数，rank(L_W)＝n-c表示对相似性矩阵W的秩约束。

5.如权利要求4所述的基于图结构学习的缺失多视图子空间聚类方法，其特征在于，基于图结构学习的缺失多视图子空间聚类的目标函数为：

W≥0,W1＝1,rank(L_W)＝n-c。

6.如权利要求1所述的基于图结构学习的缺失多视图子空间聚类方法，其特征在于，采用增广拉格朗日乘子和迭代优化方法求解基于图结构学习的缺失多视图子空间聚类目标函数。

7.如权利要求6所述的基于图结构学习的缺失多视图子空间聚类方法，其特征在于，得到相似性矩阵的过程为：

对于目标函数，引入两个辅助目标变量；

对目标函数中的潜在表示、辅助变量、误差矩阵、伪标签矩阵、相似性矩阵和拉格朗日乘子，固定任意多个变量后剩余一个变量，求解剩余变量。

8.基于图结构学习的缺失多视图子空间聚类系统，其特征在于，包括：

数据采集模块，被配置为：获取缺失多视图的特征数据集；

目标函数构建模块，被配置为：依据所述特征数据集，基于多视图谱聚类和低秩表示学习得到每个视图数据的潜在表示和伪标签矩阵，通过多视图子空间聚类学习得到统一的相似性矩阵，构造基于图结构学习的缺失多视图子空间聚类目标函数；

求解模块，被配置为：求解基于图结构学习的缺失多视图子空间聚类目标函数，得到相似性矩阵；

聚类模块，被配置为：在所述相似性矩阵的基础上施加秩约束，得到块对角矩阵，得到聚类结果。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的基于图结构学习的缺失多视图子空间聚类方法的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-7任一项所述的基于图结构学习的缺失多视图子空间聚类方法的步骤。