[发明专利]一种基于非负字典对学习的鲁棒多视角聚类方法

摘要

本发明公开一种基于非负字典对学习的鲁棒多视角聚类方法,通过提取包含若干子空间的数据集不同视角下的特征；然后将特征学习嵌入字典学习，联合学习语义投影矩阵和非负特征投影；加入一致性约束和局部几何保持约束学习多视角所共享的公共聚类标签，在多个约束下学习各视角的语义投影矩阵、参数表示矩阵及多视角共享的语义投影矩阵，完成多视角聚类。该方法可以挖掘出多视角所共享的公共语义标签，并且加入一致性约束，减少单独的聚类标签与公共语义标签之间的差异性，同时加入局部几何保持约束，使得具有相似结构的数据更大概率分到相同的类。

主权项

1.一种基于非负字典对学习的鲁棒多视角聚类方法，包括步骤：S1，提取多模态数据库中的多模态特征；S2，基于所述多模态数据库中的特征向量，通过字典学习得到语义投影矩阵和参数表示矩阵；S3，向所述多模态数据库嵌入非负特征投影以处理噪声特征；S4，根据所述参数表示矩阵，创建一致性约束，用于描述多视角下各个样本聚类标签与多视角所共享的公共标签之间的一致性；S5，根据所述多模态数据库中各个模态的特征，创建局部几何保持约束，用于描述每个视角下样本间结构的相似性；S6，根据所述语义投影矩阵、非负特征投影、一致性约束和局部几何保持约束，得到统一的目标函数；S7，采用近端交替线性最小化算法求解优化所述目标函数，得到公共语义标签，根据所述公共语义标签，得到公共的聚类结果，完成多视角聚类；所述统一的目标函数如下表示：其中，U_c为第c个模态的语义投影矩阵，W_c是第c个模态特征的线性投影矩阵，α，β为权重参数，α，β∈[10^‑4，10⁴]，X_c为第c个模态的特征，V^*为公共语义标签矩阵，||·||_2，1为求取矩阵的2，1范数操作，L是每个模态拉普拉斯矩阵的加权和，I为单位矩阵；||·||_F为求取F‑范数操作，λ_c为第c个模态的权重系数，L_c＝D_c‑S_c是亲和矩阵S_c的拉普拉斯矩阵，D_c为第c个模态的对角矩阵，m是模态数目，c为模态序号，V^*T是公共语义标签矩阵V^*的转置，W_c^T为矩阵W_c的转置，tr()表示取矩阵的迹，所述统一的目标函数放缩处理后如下：其中，J为目标函数，V_c为第c个模态的辅助变量。