[发明专利]基于矩阵引导正则化的局部缺失多视图聚类机器学习方法

权利要求书

1.一种基于矩阵引导正则化的局部缺失多视图聚类方法，其特征在于，该方法用于对图像进行处理，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，并在填充缺失核时，同时引入矩阵引导的正则化，该方法具体步骤包括：

1)获取目标图像数据样本和聚类目标数，将所述目标图像数据样本映射至多核空间；

2)引入矩阵引导的正则化，建立正则化的局部缺失多核k-均值聚类优化目标函数；

3)采用循环方式求解所述正则化的局部缺失多核k-均值聚类优化目标函数，实现聚类；

所述正则化的局部缺失多核k-均值聚类优化目标函数具体为：

其中，H表示一中间参数，β表示核系数向量，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，λ是正则化参数，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，表示核间相关性参数矩阵，A⁽ⁱ⁾＝S⁽ⁱ⁾S^(i)T，S⁽ⁱ⁾表示邻居索引矩阵，S⁽ⁱ⁾∈{0,1}^n×τ，τ表示与当前样本最接近的邻居的数量。

2.根据权利要求1所述的基于矩阵引导正则化的局部缺失多视图聚类方法，其特征在于，所述具体为基核行和列的缺失。

3.根据权利要求1所述的基于矩阵引导正则化的局部缺失多视图聚类方法，其特征在于，所述步骤3)中，采用三步交替法求解所述正则化的局部缺失多核k-均值聚类优化目标函数。

4.根据权利要求3所述的基于矩阵引导正则化的局部缺失多视图聚类方法，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。

5.根据权利要求4所述的基于矩阵引导正则化的局部缺失多视图聚类方法，其特征在于，所述优化H时，将正则化的局部缺失多核k-均值聚类优化目标函数转化为传统核k-均值聚类问题。

6.根据权利要求4所述的基于矩阵引导正则化的局部缺失多视图聚类方法，其特征在于，所述优化时，具体包括以下步骤：

101)固定β和H，将正则化的局部缺失多核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，

103)求解所述子问题，计算获得最优的K_p。

7.根据权利要求4所述的基于矩阵引导正则化的局部缺失多视图聚类方法，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，具体为：

其中，Z＝diag([Tr(K₁V),…,Tr(K_mV)])，

8.根据权利要求1所述的基于矩阵引导正则化的局部缺失多视图聚类方法，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。