[发明专利]一种基于自编码神经网络的图像聚类方法

摘要

本发明公开一种基于自编码神经网络的图像聚类方法，主要用于非监督学习的图像聚类等领域。此方法包括初始化网络，更新聚类网络两个部分，主要涉及到图像聚类过程。首先，利用自编码网络组成八层神经网络，并通过随机初始化得到初始权重，同时对数据随机分组得到初始的图像聚类中心；然后，在自编码网络模型中加入类内和类间聚类约束，利用加入聚类约束的目标函数对模型进行训练以更新网络结构；最后，利用更新过的网络得到对应图像的特征，在特征层进行聚类，更新聚类分组。该方法提出的在自编码神经网络中加入的类内聚类约束可以让同一类的样本在特征空间分布更加紧致，而加入的类间约束则可以让不属于同类的样本在特征空间高度可分，借助于自编码网络的高度非线性的映射能力和非监督学习能力，非常适合图像聚类。利用该方法可以实现优于传统图像聚类算法的性能。

主权项

一种基于自编码神经网络的图像聚类方法，主要包括步骤：步骤S1，利用八层自编码网络建立聚类网络结构，并利用此网络的权重作为初始权重。步骤S2，在自编码网络的编码层加入类内和类间约束函数，使同类样本靠近其聚类中心，不同聚类中心相互远离。步骤S3，将所有样本随机分组，并分别通过自编码网络映射到特征空间，然后计算所有组的特征表达的平均值，作为该组的聚类中心。步骤S4，利用加入类内约束和类间约束训练自编码网络，更新网络权重，进行图像聚类。步骤S5，利用S4得到的更新后的网络，计算所有样本的特征表达，与之前的聚类中心进行比较，将样本分配至距离最近的聚类中心。步骤S6，利用S5中得到特征表达按新的分组计算每组的特征表达的均值作为新的聚类中心。步骤S7，利用S6中更新的聚类中心代替S2中聚类约束函数的聚类中心。步骤S8，转到S4并循环，直到达到训练次数或聚类网络收敛。