[发明专利]基于成对协同正则化和NMF的自适应多视图聚类方法

权利要求书

1.一种基于成对协同正则化和NMF的自适应多视图聚类方法，包括如下步骤：

(1)获取原始图像集的非负多视图数据从原始图像集中提取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各视图数据分别进行归一化，得到归一化后的多视图数据

(3)计算多视图数据的拉普拉斯矩阵

(4)构建成对协同正则化和NMF的自适应多视图聚类的目标函数，实现步骤为：

(4a)对多视图数据进行NMF，得到基矩阵和系数矩阵

(4b)利用多视图数据基矩阵和系数矩阵构造NMF的重构误差项；

(4c)利用成对协同正则化方法，通过系数矩阵构造视图间的相似性约束项；

(4d)通过系数矩阵和拉普拉斯矩阵构造视图内的相似性约束项；

(4e)设置调节参数γ，采用自适应的方法，利用参数γ自动学习视图内的相似性约束项的自适应权重参数

(4f)获取成对协同正则化和NMF的自适应多视图聚类的目标函数：设置权衡参数λ，并将权衡参数λ作为视图间的相似性约束项的权重，将自适应权重参数作为视图内的相似性约束项的权重，对NMF的重构误差项、视图间的相似性约束项和视图内的相似性约束项进行权重相加，得到成对协同正则化和NMF的自适应多视图聚类的目标函数；

(5)初始化基矩阵系数矩阵和权重参数将基矩阵系数矩阵和权重参数中所有元素的值初始化为(0,1)之间的随机数；

(6)分别获取基矩阵系数矩阵和权重参数的迭代更新表达式：对基矩阵系数矩阵和权重参数进行交替迭代，得到基矩阵的迭代更新表达式、系数矩阵的迭代更新表达式和权重参数的迭代更新表达式；

(7)获取更新后的基矩阵系数矩阵和权重参数实现步骤为：

(7a)设定目标函数差值的阈值和最大迭代次数；

(7b)利用基矩阵系数矩阵和权重参数的迭代更新表达式，分别对对应的基矩阵系数矩阵和权重参数进行迭代更新，并在每次迭代完成时，计算目标函数的值，迭代直到两次迭代的目标函数的差值小于设定的阈值或者迭代次数达到最大迭代次数；

(7c)获得更新后的基矩阵系数矩阵和权重参数

(8)对更新后的系数矩阵进行K-均值聚类，得到聚类结果，其中K为聚类的类数，实现步骤为：

(8a)对更新后的系数矩阵取平均值，得到一致系数矩阵V^*；

(8b)对一致系数矩阵V^*进行K-均值聚类，得到聚类结果。

2.根据权利要求1所述的基于成对协同正则化和NMF的自适应多视图聚类方法，其特征在于，步骤(3)中所述的计算多视图数据的拉普拉斯矩阵实现步骤为：

(3a)将多视图数据的每行作为一个样本数据点，分别计算多视图数据中各视图数据的每两个样本数据点间的欧氏距离；

(3b)对多视图数据中各视图数据的每个样本数据点，取出其前k个最小的欧氏距离值对应的数据点作为该样本数据点的k近邻点，得到多视图数据的k近邻图，其中k为近邻点的数目；

(3c)根据k近邻图构建多视图数据的关联矩阵若第p个数据点是第q个数据点的k近邻点，则令关联矩阵中对应的矩阵元素为1，否则令其对应矩阵元素为0，其中p和q分别表示第p和q个数据点，且p＝1,2,…,N，q＝1,2,…,N，N表示原始图像的数目；

(3d)对关联矩阵的行求和，得到多视图数据的度矩阵并通过关联矩阵和度矩阵计算多视图数据的拉普拉斯矩阵

3.根据权利要求2所述的基于成对协同正则化和NMF的自适应多视图聚类方法，其特征在于，步骤(3d)中所述的计算多视图数据的拉普拉斯矩阵计算公式为：

4.根据权利要求1所述的基于成对协同正则化和NMF的自适应多视图聚类方法，其特征在于，步骤(4b)中所述的NMF重构误差项，其表达式为：

其中||·||_F代表矩阵的F范数，表示F范数的平方。