[发明专利]基于双图稀疏的深度矩阵分解的图像聚类方法

摘要

本发明提出一种基于双图稀疏的深度矩阵分解的图像聚类方法，用于解决现有技术中存在的图像聚类准确度低和聚类过程运行速度慢的技术问题。实现步骤为：构建多层感知机；设置迭代次数；计算数据空间相似度矩阵和特征空间相似度矩阵；计算数据空间相似度对角矩阵和特征空间相似度对角矩阵；定义低维表示矩阵Hi及Hi对应的系数矩阵Zi，并计算Zi对应的系数对角矩阵Qi；获取Hi的更新公式和Zi的更新公式；对每层的Hi、Zi和Qi循环更新；重新获取Hi的更新公式和Zi的更新公式；重置迭代次数；重置当前层数；对每层的Hi、Zi和Qi循环更新；图像聚类并输出。本发明可用于人脸识别、图像聚类和文本聚类等现实生活应用。

主权项

1.一种基于双图稀疏的深度矩阵分解的图像聚类方法，其特征在于，包括如下步骤：(1)构建多层感知机：构建多层感知机，其网络层数为nl，nl≥3，当前层数i的初始值为1，第1层的输入矩阵为原始图像数据矩阵；(2)设置迭代次数t：设置迭代次数t的初始值为1，最大值为T；(3)计算数据空间相似度矩阵WiH和特征空间相似度矩阵WiZ：根据多层感知机第i层的输入矩阵，计算第i层数据空间中数据之间的欧式距离和第i层的特征空间中特征之间的欧式距离并根据和分别计算第i层的数据空间相似度矩阵W_i^H和第i层的特征空间相似度矩阵W_i^Z；(4)计算数据空间相似度对角矩阵和特征空间相似度对角矩阵对第i层的数据空间相似度矩阵W_i^H和第i层的特征空间相似度矩阵W_i^Z分别进行对角化，得到第i层的数据空间相似度对角矩阵和第i层的特征空间相似度对角矩阵(5)定义低维表示矩阵Hi及Hi对应的系数矩阵Zi，并计算Zi对应的系数对角矩阵Qi：(5a)定义第i层的低维表示矩阵Hi为k×n的随机矩阵，Hi对应的第i层的系数矩阵Zi为d×k的随机矩阵，其中，k表示输入矩阵中图像的类别数，k≥2，n表示输入矩阵的样本数，n≥2，d表示输入矩阵的特征数，d≥2；(5b)利用Zi定义第i层的系数对角矩阵Qi的更新公式，并根据该更新公式计算Zi对应的Qi；(6)获取低维表示矩阵Hi的更新公式和Hi对应的系数矩阵Zi的更新公式：定义双图稀疏的矩阵分解的目标函数公式，并利用该目标函数公式，推导第i层的低维表示矩阵Hi的更新公式和Hi对应的第i层的系数矩阵Zi的更新公式；(7)对低维表示矩阵Hi、系数矩阵Zi和系数对角矩阵Qi进行更新：利用第i层的低维表示矩阵Hi的更新公式对Hi进行更新，利用第i层的系数矩阵Zi的更新公式对Zi进行更新，利用第i层的系数对角矩阵Qi的更新公式对Qi进行更新；(8)判断迭代次数t是否达到最大值T，若是，将更新T次后的Hi作为多层感知机第i+1层的输入矩阵，并执行步骤(9)，否则，令t＝t+1，并执行步骤(7)；(9)判断当前层数i是否达到最大值nl，若是，执行步骤(10)，否则，令i＝i+1，并执行步骤(2)；(10)重新获取低维表示矩阵Hi的更新公式和Hi对应的系数矩阵Zi的更新公式：定义双图稀疏的深度矩阵分解的目标函数公式，并利用该目标函数公式，推导第i层的低维表示矩阵Hi的更新公式和Hi对应的第i层的系数矩阵Zi的更新公式；(11)重置迭代次数t：令迭代次数t＝1，最大值为T；(12)重置当前层数i：令当前层数i＝1，最大值为nl；(13)对低维表示矩阵Hi、系数矩阵Zi和系数对角矩阵Qi再次进行更新：利用步骤(10)中第i层的低维表示矩阵Hi的更新公式对Hi再次进行更新，利用步骤(10)中第i层的系数矩阵Zi的更新公式对Zi再次进行更新，利用步骤(5b)中的第i层的系数对角矩阵Qi的更新公式对Qi再次进行更新；(14)判断当前层数i是否达到最大值nl，若是，执行步骤(15)，否则，令i＝i+1，并执行步骤(13)；(15)判断迭代次数t是否达到最大值T，若是，执行步骤(16)，否则，令t＝t+1，并执行步骤(12)；(16)图像聚类并输出：利用k‑means聚类算法对多层感知机最后一层的低维表示矩阵Hnl进行聚类，得到聚类图像并输出。