[发明专利]一种具有缺失核的多视图聚类机器学习方法

权利要求书

1.一种具有缺失核的多视图聚类机器学习方法，其特征在于，该方法将填充与聚类相融合，在聚类的引导下填充缺失核，用填充的核进行聚类，包括以下步骤：

1)获取目标数据样本和聚类目标数，将所述目标数据样本映射至多核空间；

2)建立缺失多核k-均值聚类优化目标函数；

3)采用循环方式求解所述缺失多核k-均值聚类优化目标函数，实现聚类。

2.根据权利要求1所述的具有缺失核的多视图聚类机器学习方法，其特征在于，所述缺失多核k-均值聚类优化目标函数具体为：

H^TH＝I_k,

β^T1_m＝1,β_p≥0,

其中，H表示一中间参数，β表示核系数，K_p表示第p个核矩阵，m表示总核数，I表示单位矩阵，n表示样本个数，k表示聚类簇数，表示所有元素都为1的列向量，s_p表示第p个核的索引，表示子核矩阵。

3.根据权利要求1所述的具有缺失核的多视图聚类机器学习方法，其特征在于，所述缺失核具体为基核行和列的缺失。

4.根据权利要求2所述的具有缺失核的多视图聚类机器学习方法，其特征在于，所述步骤3)中，采用三步交替法求解所述缺失多核k-均值聚类优化目标函数。

5.根据权利要求4所述的具有缺失核的多视图聚类机器学习方法，其特征在于，所述三步交替法具体包括：

i)固定β和优化H；

ii)固定β和H，优化

iii)固定H和优化β。

6.根据权利要求5所述的具有缺失核的多视图聚类机器学习方法，其特征在于，所述优化H时，将缺失多核k-均值聚类优化目标函数转化为传统核k-均值聚类问题。

7.根据权利要求5所述的具有缺失核的多视图聚类机器学习方法，其特征在于，所述优化时，具体包括以下步骤：

101)将缺失多核k-均值聚类优化目标函数转化为：

102)将步骤101)中的方程分解为m个独立的子问题，所述子问题的方程为：

其中，U＝I_n-HH^T，p＝1,2,...,m；

103)将K_p分解为且则将步骤102)中的优化方程转化为：

其中，

104)获得最优的解析解：

105)计算获得最优的K_p：

8.根据权利要求5所述的具有缺失核的多视图聚类机器学习方法，其特征在于，所述优化β时，将缺失多核k-均值聚类优化目标函数转化为带有线性约束的二次规划问题。

9.根据权利要求1所述的具有缺失核的多视图聚类机器学习方法，其特征在于，循环过程的终止条件为：

(obj^(t-1)-obj^(t))/obj^(t)≤ε₀

其中，obj^(t)、obj^(t-1)分别表示第t、t-1轮迭代的目标函数值，ε₀为设定精度。