[发明专利]基于非负矩阵分解和多样-一致性的多视图聚类方法

摘要

本发明提出了一种基于非负矩阵分解和多样‑一致性的多视图聚类方法，用于解决现有多视图聚类方法中存在的聚类精度和归一化交互信息较低的技术问题，实现步骤为：获取原始图像集的归一化非负多视图数据；构建多视图数据对应的基矩阵、系数矩阵和类标指示矩阵；构建基于非负矩阵分解和多样‑一致性多视图聚类的目标函数；获取基矩阵、系数矩阵和拉普拉斯矩阵的迭代更新表达式；获取类标指示矩阵的最优值；对类标指示矩阵的最优值进行K‑均值聚类，得到多视图数据对应的聚类簇。本发明利用表示多样性和类标一致性，学习多视图数据中的互补和公共信息，有效提高了多视图聚类的性能，可应用于生物信息分析和金融投资分析等领域。

主权项

1.一种基于非负矩阵分解和多样‑一致性的多视图聚类方法，其特征在于，包括如下步骤：(1)获取原始图像集的非负多视图数据提取原始图像集中每幅图像的多种图像特征，得到原始图像集的非负多视图数据其中，m表示第m个视图，且m＝1,2,…,n_v，n_v表示视图的数目；(2)对非负多视图数据进行归一化：对非负多视图数据中的每个视图数据进行归一化，得到归一化后的多视图数据(3)构建多视图数据对应的基矩阵和系数矩阵对多视图数据中的每个视图数据进行谱聚类，得到对应的基矩阵和系数矩阵(4)构建多视图数据对应的类标指示矩阵F：构建多视图数据对应的拉普拉斯矩阵并对中所有拉普拉斯矩阵的和进行奇异值分解，得到多视图数据对应的类标指示矩阵F；(5)构建基于非负矩阵分解和多样‑一致性的多视图聚类的目标函数：(5a)利用多视图数据基矩阵和系数矩阵构造非负矩阵分解的重构误差项；(5b)利用希尔伯特‑施密特独立准则，通过系数矩阵构造表示多样性约束项；(5c)利用流形正则化方法，通过系数矩阵和拉普拉斯矩阵构造相似性保持项；(5d)利用谱聚类方法，通过拉普拉斯矩阵和类标指示矩阵F，构造类标一致性约束项；(5e)获取基于非负矩阵分解和多样‑一致性的多视图聚类的目标函数：设置表示多样性约束项的权重为λ1，相似性保持项的权重为λ2，类标一致性约束项的权重为λ3，并对非负矩阵分解的重构误差项、表示多样性约束项、相似性保持项和类标一致性约束项进行加权相加，得到基于非负矩阵分解和多样‑一致性的多视图聚类的目标函数，其中，λ1、λ2和λ3的取值范围为[0,1]；(6)获取基矩阵系数矩阵和拉普拉斯矩阵的迭代更新表达式：(6a)构建基于非负矩阵分解和多样‑一致性的多视图聚类的目标函数对应的拉格朗日函数(6b)利用拉格朗日函数对基矩阵系数矩阵和拉普拉斯矩阵分别进行交替迭代，得到的迭代更新表达式E₁、的迭代更新表达式E₂和的迭代更新表达式E₃；(7)获取类标指示矩阵F的最优值F*：(7a)设定目标函数差值的阈值和最大迭代次数；(7b)定义E₁对的一次迭代更新、E₂对的一次迭代更新和E₃对的一次迭代更新，为对和的一次迭代；(7c)对和进行多次迭代，并计算每次迭代后基于非负矩阵分解和多样‑一致性的多视图聚类的目标函数的值，直到迭代次数达到最大迭代次数或者两次迭代后的目标函数的差值小于设定的阈值，停止迭代，得到更新后的基矩阵系数矩阵和拉普拉斯矩阵(7d)计算类标指示矩阵F的最优值F*：(7d1)计算拉普拉斯矩阵中所有拉普拉斯矩阵的和M：(7d2)对M进行奇异值分解，对分解得到的多个特征值按照从小到大的顺序排列，并计算前C个特征值中每个特征值对应的特征向量，得到C个特征向量，其中，C为聚类簇的个数，且C≥1；(7d3)将C个特征向量对应的C个特征值按照从小到大的顺序排列，得到特征矩阵，并将该特征矩阵作为类标指示矩阵F的最优值F*；(8)对类标指示矩阵F的最优值F*进行K‑均值聚类，得到多视图数据对应的聚类簇。