[发明专利]一种不完整数据的子空间聚类方法及装置

说明书

本申请公开了一种不完整数据的子空间聚类方法及装置，包括：将获取的不完整数据按照预置规则进行排列，不完整数据包括多媒体数据；采用基于转换的张量核范数的张量优化问题将排列后的不完整数据投影到低维的子空间；采用交替迭代算法求解张量优化问题，得到子空间表示张量的相似矩阵；采用谱聚类算法基于求得的相似矩阵，得到不完整数据的聚类结果。本申请能够在保存不完整数据的空间结构下进行聚类，并能寻找较低秩的表示张量以充分的探索数据的全局相关性。

技术领域

本申请涉及数据聚类技术领域，尤其涉及一种不完整数据的子空间聚类方法及装置。

背景技术

在计算机视觉领域，数据识别问题的研究是基础问题，例如：数据的聚类问题。现有的数据聚类方法大多假设收集到的数据是完整的，但在数据的获取和传输过程中，由于获取设备和人为因素的影响，观测数据一般都是不完整的，并且带有噪声。另外由于互联网的发展，每天都能得到大量数据，但这些数据之间一般是冗余的，基于子空间的聚类方法把收集到的大量数据投影到较低维的子空间，以至于得到的每个子空间代表数据的一类。

对于高维数据聚类，子空间聚类方法已经被广泛研究，特别是基于谱聚类的方法。谱聚类的方法由两步组成。首先，根据数据两两之间的关系，建立相似矩阵。然后，谱聚类方法(Ncut,Ratio)应用在相似矩阵上得到最终的聚类结果。

现有技术中聚类方法数据往往是不完整的，并包含有噪声，如果直接利用观测数据，则会达到较差的聚类结果。

对于图像数据，现有的一些方法一般把收集到的图像数据拉成列向量后再用基于矩阵的子空间聚类方法进行聚类，但拉成列向量这一操作会破坏图像的空间信息和特征，造成用户识别差。

另外，在计算机视觉和模式识别领域，特征融合方法可以提高数据识别，所以如何融合收集数据的特征，以得到较紧的子空间表示，可以提高聚类结果。具体来说，融合多特征通常比单一特征具有更好的分类性能，通过融合操作或算法使用数据的多角度、多层次的特征、全局特征和局部特征、空间特征和时间特征，可以实现更智能的数据分类。

发明内容

本申请实施例提供了一种不完整数据的子空间聚类方法及装置，使得在保存不完整数据的空间结构下进行聚类，并能寻找较低秩的表示张量以充分的探索数据的全局相关性。

鉴于此，本申请第一方面提供了一种不完整数据的子空间聚类方法，所述方法包括：

将获取的不完整数据按照预置规则进行排列，所述不完整数据包括多媒体数据；

采用基于转换的张量核范数的张量优化问题将排列后的所述不完整数据投影到低维的子空间；

采用交替迭代算法求解所述张量优化问题，得到子空间表示张量的相似矩阵；

采用谱聚类算法基于求得的所述相似矩阵，得到所述不完整数据的聚类结果。

可选的，所述将获取的不完整数据按照预置规则进行排列，包括：

将n₂个二维的不完整数据n₁*n₃进行顺序排列，形成一个三阶张量n₁*n₃*n₂；

将三阶张量n₁*n₃*n₂进行旋转，得到n₁*n₂*n₃三阶张量。

可选的，所述张量优化问题为：