[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

说明书

本发明涉及一种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，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，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)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。与现有技术相比，本发明具有聚类效果好、计算量低等优点。

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。

背景技术

多视图聚类(MKC)旨在最佳地组合一组预先指定的基本视图来进行聚类，这在过去几十年中得到了深入的研究。如文献“Multiple kernel clustering”(B.Zhao,J.T.Kwok,and C.Zhang,in SDM,2009,pp.638–649)开创性工作提出了一种多核聚类算法，可以最大限度地优化超平面的最大边距，最佳聚类标签和最优内核。在文献“Optimizeddata 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)中提出了一种新颖的优化核k-means算法，以集成多种数据源进行聚类分析。通过允许多核组合的权重能够自适应地改变，文献“Localized data fusion for kernel k-means clustering with application to cancer biology”(M.andA.A.Margolin,in NIPS,2014,pp.1305–1313)设计了一个局部化的多核k-means聚类算法，以便捕获各个样本的特征。在文献“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)中，通过用k-means中的l_2,1-范式来替换平方误差，提出了鲁棒性良好的多核内核k-means(MKKM)算法，它能够同时优化最佳的聚类标签和最佳的核组合。由于观察到现有的MKKM算法没有充分考虑到多核之间的相关性，在文献“Multiple kernel k-meansclustering with matrix-induced regularization”(X.Liu,Y.Dou,J.Yin,L.Wang,andE.Zhu,in AAAI,2016,pp.1888–1894)中施加了用矩阵引导的正则化，以减少冗余并增强所选择的内核的多样性。最近，提出了一种最优邻域的多核聚类(ONKC)算法，以提高最优核的表示性，同时加强多核优化与聚类之间的关联。这些MKC算法已经被应用于各种应用，并且展示了有说服力的聚类性能。