[发明专利]基于鲁棒秩约束稀疏学习的图聚类方法

摘要

本发明公开了一种基于鲁棒秩约束稀疏学习的图聚类方法，用于解决现有图聚类方法鲁棒性差的技术问题。技术方案是通过稀疏表示方法学习数据相似图S，结合L_2，1范数，得到初始目标函数；采用k邻近法构建初始图，约束所求相似图S在初始图的邻域内；加上拉普拉斯秩约束，使秩等于数据点个数减去该相似图连通区域个数，得到最终的目标函数。应用增广拉格朗日乘子法，将目标函数从有约束优化问题转变成无约束优化问题；对于目标函数中包含的变量交替优化；在每次迭代的最后，对增广拉格朗日乘子法包含的参数进行更新；在迭代到达终止条件后，根据求得的解，对相似度矩阵进行分解，得到最终的聚类结果。本发明通过高质量地构建图，利用L_2，1范数提高了方法的鲁棒性。

主权项

1.一种基于鲁棒秩约束稀疏学习的图聚类方法，其特征在于包括以下步骤：步骤一、通过稀疏表示方法学习数据相似图S，同时结合L_2,1范数，X为数据，初始目标函数为：步骤二、采用k邻近法构建初始图，通过正则化项约束所求相似图S在初始图B的邻域内；步骤三、对S的拉普拉斯矩阵L_s的秩加以约束，使秩等于数据点个数减去该相似图连通区域个数，根据数据点在相似图中的连通关系直接得到聚类结果，具体地，通过进行约束；步骤四、将上述三项加入系数后加在一起，得到最终的目标函数：步骤五、应用增广拉格朗日乘子法，令E＝X‑XZ、Z＝S，将目标函数转化为：步骤六、对于其中包含的E、Z、S、F，首先进行初始化，然后在每次迭代中，固定其他三个变量不变，交替优化某一变量；步骤七、在每次迭代的最后，对增广拉格朗日乘子法包含的参数进行更新，经过有限次迭代，逐步求得最优解；步骤八、根据求得的最优解，对S进行分解，得到最终的聚类结果。