[发明专利]一种深度强化图像聚类方法

说明书

本发明提出了一种深度强化图像聚类方法，属于图像聚类与数据挖掘技术领域，1)预训练编解码网络，初始化潜在特征空间；2)采用传统K‑means方法在潜在特征空间对聚类质心初始化，并为各质心分配伯努利‑逻辑斯蒂单元；3)计算该点与单元间的逻辑回归参数和伯努利分布；4)利用奖励回归策略动态分配临时奖赏，联合辅助目标分布计算各质心运动轨迹；5)计算权重，迭代优化聚类单元直至满足收敛条件，完成深度强化图像聚类过程。本发明同时基于强化学习思想以奖励回归策略联合利用潜在特征表示和调整聚类质心，充分将全部聚类信息尤其是临近区域聚类信息作用于聚类分析的过程中，在环境与行为的交互中有效的改善聚类模糊的问题，有效提升聚类性能。

技术领域

本发明属于图像聚类与强化学习技术领域，涉及一种基于强化学习的深度图像聚类方法。

背景技术

随着物联网技术及网络信息技术的快速发展，智能手机、平板电脑等电子产品的普及范围愈加广泛，可收集的数据越来越多，且数据结构愈发复杂，尤其非结构化的图像数据量更是爆发性增长。图像数据包含着丰富的语义信息可供各领域研究使用，但受数据结构复杂且维度较高的影响，难以精确地获取数据中丰富的语义信息。因此，急需研究一种新方法来深入挖掘海量图像数据中丰富的信息。

聚类常以无监督学习或自监督学习的方式进行数据分析，是数据挖掘、图像处理等领域中的重要研究内容之一，其以“同类相同，异类相异”的思想有效地解决数据挖掘的众多问题。传统的聚类算法通常将给定的数据特征表示作为输入，然后使用不同模型对该特征表示进行聚类，但对于一些高维、复杂图像数据，则可能因缺乏在高维空间中有效的样本相似性度量而难以发现其内在模式结构，即“维度灾难”。对于高维数据聚类，常规应对方法包括子空间聚类、特征降维、特征抽取等。近年来，深度学习因其在特征表示上的独特优势，为高维、复杂数据聚类带来了新的解决思路，并已衍生出许多行之有效的深度聚类算法。其中较有代表性的深度聚类方法——深度嵌入式聚类(DEC)算法对深度神经网络的参数和聚类分配同时进行优化，为聚类研究提供了强有力的工具。

目前，在对大规模数据进行聚类分析的过程中，深度聚类算法充分地考虑了潜在特征表示对聚类效果的影响，从而有效地解决了维度灾难的问题。然而，现有的深度聚类算法缺乏对整个聚类环境，尤其是临近区域环境对聚类效果影响的考虑，随着迭代次数增加，同类相似性愈发增强，异类差异性却没有凸显，导致部分图像输入点所处聚类较为模糊。强化学习在与环境交互的过程中通过获取奖赏、指导行为使回报最大化来学习策略，因此，以深度聚类为基础，在不忽视潜在特征表示的前提下，采用强化学习思想指导原型的游走方向，提高聚类结果的准确性，是一项值得研究的内容。

综上，本发明提出了一种深度强化图像聚类方法，主要考虑聚类分析迭代过程中对全部聚类信息的使用问题，利用每一次迭代后的聚类信息调整聚类原型，指导聚类过程。

发明内容

本发明提出一种深度强化图像聚类方法。首先，为解决维度灾难，该方法选用深层自编码器对原始图像数据进行降维，获取数据中蕴含的深层语义特征。其次，本发明设计一种伯努利-逻辑斯蒂单元表示聚类原型，有效利用各类的可用信息调整临近区域对聚类原型的影响。最后，本发明采用强化学习的奖赏策略，在获得各聚类的可用信息后，为各聚类分配奖赏，指导聚类原型在聚类环境中的行为动作，获取更准确的聚类结果。综上，本发明提出一种深度强化图像聚类方法，该方法采用奖励回归的学习方式从大规模无标签数据中学习图像的潜在特征并进行聚类划分，以提高聚类方法的准确率(ACC)、调整兰德指数(ARI)和标准化互信息(NMI)。

为了达到上述目的，一种深度强化图像聚类方法采用的技术方案包括以下步骤：

步骤1、预训练编解码网络，学习图像潜在特征；

步骤2、采用K-means方法在潜在特征空间挖掘聚类原型，并为其分配伯努利-逻辑斯蒂单元；

步骤3、随机选取样本x_i，计算该点与聚类原型间的逻辑回归概率和伯努利分布参数；