[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

说明书

本发明公开了一种基于共享近邻的权重自更新多视角谱聚类方法，该方法包括：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。本发明能够提高谱聚类算法中相似矩阵构造的准确性，并减少在相似矩阵构造阶段所花费的计算时间，同时进一步优化多视角数据融合模型。

技术领域

本发明涉及人工智能领域，具体涉及一种基于共享近邻的权重自更新多视角谱聚类方法。

背景技术

聚类分析可以针对目标群体进行多指标的群体划分，为市场提供个性化和精细化的运营，实现所谓的物以类聚，人以群分的功能。在现实生活中，数据往往是从不同的特征中获取的。例如，一幅图像的颜色、纹理、旋转不变特性等特征是这幅图像的不同视角，这些多视角的数据共同描绘了一幅图像，利用多视角数据可以获得比任何单一视角数据更准确的聚类结果。多视角谱聚类利用不同视角数据之间的相关性以及互补性以获得更多潜在的有价值信息，是目前谱聚类研究中的一个重要方向。

多视角谱聚类以谱聚类算法为基础。谱聚类的基本思想是利用从数据中得到的更低维的特征矩阵实现聚类，依靠两个部分完成聚类工作。第一个部分为图的构造，即根据一定的算法构造数据点之间的相似矩阵，现有的图构造方法主要有高斯核函数法和k最近邻法。因为谱聚类算法离不开相似矩阵的构造所以说基于谱聚类的算法的性能的提升很大程度上依赖于相似矩阵构造的优化。第二个部分对构造好的图，诱导出拉普拉斯矩阵并做特征分解，将数据嵌入到特征向量空间，最后再次使用图分割技术或者k-means算法实现聚类。

对于多视角谱聚类算法而言，由于各个视角表现不同，SC-Best算法主张利用谱聚类算法挑选出表现最好的视角聚类结果方法，但是这种方法分裂了各个视角之间的关联信息。其他方法主要集中在多个视角中找到统一的嵌入矩阵或者相似矩阵以此来代表各个视角的信息。Kumar等人提出了协同正则多视角谱聚类算法(Co-Regularization SpectralClustering,CRSC),该算法在不同视角下的簇划分结果应该相同的假设下，将协同训练的思想和谱聚类算法相结合得到最终的中心嵌入矩阵；Zhan等人在KNN算法的基础上提出了图学习的多视角谱聚类算法(Graph Learning for Multiview Clustering,MVGL)，Xia等人提出了鲁棒多视图谱聚类(Robust multi-view spectral clustering via low-rankand sparse decomposition)该算法将马尔科夫链概率转移矩阵与谱聚类算法思想相结合求出统一的低秩拉普拉斯矩阵。这些算法都是在单视角下用KNN算法构造的相似矩阵的基础上，再用不同的方法将多视角的数据融合起来，包括协同方法，最小化重构误差方法。但是在多视角数据的融合中，很多算法都没有考虑各个视角所占的权重信息或者权重的计算方式并没有进一步优化。

以下将具体介绍两种多视角谱聚类算法并说明目前存在的问题：

1.协同正则多视角谱聚类采用交替正则化方法来平衡每个视角的谱聚类，让每个视角v的谱聚类的特征矩阵U^(v)尽可能和中心特征矩阵U^*一致，目标函数如下：

/

其中m表示视角个数，Tr表示求迹运算，参数γ_v给每个视角的正则化加权，γ_v的大小代表了视角v的重要程度。该方法中γ_v与所给数据集有很大关系且大部分情况下需要人工指定。

2.图学习的多视角谱聚类算法将各个视角下通过KNN算法得到的相似矩阵与全局相似矩阵进行重构误差最小化得到一个全局相似矩阵，并计算出各视角所占权重，最后通过拉普拉斯矩阵秩约束理论，根据全局相似矩阵得到聚类结果。该算法的目标函数：