[发明专利]一种基于共享近邻的权重自更新多视角谱聚类方法

权利要求书

1.一种基于共享近邻的权重自更新多视角谱聚类方法，其特征在于，包括：

步骤1：输入多个视角的数据集，根据共享近邻的自适应高斯核函数计算出各个视角的相似矩阵；

步骤2：根据拉普拉斯矩阵秩约束理论对各个视角的相似矩阵的簇结构进一步优化各个视角的相似矩阵；

步骤3：根据权重自更新多视角谱聚类模型计算出全局拉普拉斯矩阵；

步骤4：根据所得到的全局拉普拉斯矩阵，计算出全局相似矩阵，由此得到一个具有多个联通分支的全局相似矩阵，从而得到最终的多个簇。

2.如权利要求1所述的基于共享近邻的权重自更新多视角谱聚类方法，其特征在于，步骤1具体包括：

步骤1.1：输入m个视角的数据集X＝{X₁,X₂,…,X_n}，n表示n个数据点；

步骤1.2：初始化零矩阵S，S＝{S_ij}，i∈[1，n]，j∈[1，n]，S_ij为任意两点X_i,X_j之间的相似度度量；

步骤1.3：令i＝1；

步骤1.4：若i＜n，执行步骤1.5；否则，输出相似矩阵S^(v)，v表示第v

个视角；

步骤1.5：令j＝i+1；

步骤1.6：若j≤n，执行步骤1.7；否则，更新i＝i+1，执行步骤1.4；

步骤1.7：若数据点X_i在点X_j的k近邻空间中且数据点X_j在点X_i的k近邻空间中，则SNN(X_i,X_j)＞阈值δ，令其中σi和σj分别为点X_i和点X_j各自第p个近邻的欧氏距离，进一步更新j＝j+1，执行步骤1.6；

否则，更新j＝j+1，执行步骤1.6；

步骤1.8：对每个视角均执行步骤1.2-步骤1.7，得到m个视角数据的相似矩阵S^(v)。

3.如权利要求2所述的基于共享近邻的权重自更新多视角谱聚类方法，其特征在于，步骤2具体包括：

步骤2.1：输入第v个视角的相似矩阵S^(v)，及其聚类个数c'；

步骤2.2：通过初始的相似矩阵S^(v)对应的拉普拉斯矩阵L^(v)前c'个最小特征值对应的特征向量得到初始的嵌入矩阵U^(v)的值；

步骤2.3：根据公式计算出S^(v)的值；

步骤2.4：计算出S^(v)对应的拉普拉斯矩阵L^(v)前c'个最小特征值对应的特征向量得到嵌入矩阵U^(v)；

步骤2.5：将步骤2.3和步骤2.4计算出的S^(v)和U^(v)重新带入到公式中，计算出结果并记为R1，其中，U^(v)∈R^n*c',U^(v)TU^(v)＝I，S^(v)_j≥0,1^TS^(v)_j＝1，Tr表示求迹运算，S^(v)_j表示第v个视角相似矩阵的第j列，列和为1，α为权衡参数，I表示单位矩阵，R^n*c'为全体n*c'维的矩阵集合；

步骤2.6：将步骤2.3和步骤2.4计算出的S^(v)和U^(v)的值带入公式中计算出新的S^(v)的值；

步骤2.7：根据步骤2.6计算出的S^(v)计算其对应的拉普拉斯矩阵L^(v)前c'个最小特征值对应的特征向量得到嵌入矩阵U^(v)；

步骤2.8：将步骤2.6和步骤2.7计算出的S^(v)和U^(v)的值带入公式中，计算出结果并记为R2；

步骤2.9：计算|R2-R1|，若其结果小于0.00001，则跳转至步骤2.10，否则跳转至步骤2.3；

步骤2.10：输出当前视角计算得到的优化后的相似矩阵S^(v)*；

步骤2.11：对每个视角都执行一遍上述步骤2.1-步骤2.10，最后得到优化后的m个视角数据的相似矩阵S^(v)*。