[发明专利]一种具有缺失核的多视图聚类机器学习方法

说明书

本发明涉及一种具有缺失核的多视图聚类机器学习方法，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，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)采用三步交替法求解所述缺失多核k‑均值聚类优化目标函数，实现聚类。与现有技术相比，本发明考虑填充和聚类的联合优化，具有聚类效果好等优点。

技术领域

本发明属于计算机视觉和模式识别技术领域，涉及一种多视图聚类方法，尤其是涉及一种具有缺失核的多视图聚类机器学习方法。

背景技术

近年来，大量的研究致力于设计有效的多视图聚类算法。它们的目的是通过基核的最优组合来对数据进行聚类。例如，文献“Multiple kernel clustering”(B.Zhao,J.T.Kwok,and C.Zhang,in SDM,2009,pp.638–649)提出同时找到最大间隔超平面、最佳聚类标签和最优核。在文献“Optimized data fusion for kernel k-means clustering”(S.Yu,L.-C.Tranchevent,X.Liu,W.J.A.K.Suykens,B.D.Moor,and Y.Moreau,IEEE TPAMI,vol.34,no.5,pp.1031–1039,2012)中提出一种新的k-均值核优化算法来联合多个数据源进行数据分析。文献“Localized data fusion for kernel k-meansclustering with application to cancer biology”(M.and A.A.Margolin,inNIPS,2014,pp.1305–1313)中，核的组合权重可以自适应调整来捕捉样本的特点。用l_2,1-范数替代k-均值的均方误差，文献“Robust multiple kernel k-means clustering usingl₂₁-norm”(L.Du,P.Zhou,L.Shi,H.Wang,M.Fan,W.Wang,and Y.-D.Shen,in IJCAI,2015,pp.3476–3482)设计了一种鲁棒的多核k-均值算法，这种方法可以同时找到最佳的聚类标签和最优的核组合。文献“Multiple kernel k-means clustering with matrix-inducedregularization”(X.Liu,Y.Dou,J.Yin,L.Wang,and E.Zhu,in AAAI,2016,pp.1888–1894)设计了一种矩阵导出正则化方法来减少冗余，同时提升精选核的多样性。这些算法已经被应用到各种应用，并展现了很好的聚类效果。