[发明专利]一种基于图正则化的鲁棒性结构非负矩阵分解聚类方法

摘要

本发明提供了一种基于图正则化的鲁棒性结构非负矩阵分解聚类方法，包括：S10获取m个待聚类图像，并根据待聚类图像构造k个最邻近图；S20针对每个最邻近图得到相应的数据矩阵Y，数据矩阵Y中包括n个数据点，使用非负矩阵分解方法对数据矩阵Y进行分解得到特征矩阵W和系数矩阵H；S30基于l_2,p范数建立基于图正则化的鲁棒性结构非负矩阵分解的目标函数O；S40根据目标函数O，使用迭代加权的方法迭代预设次数，对特征矩阵W、系数项及图正则项进行更新；S50采用k‑means聚类算法分别对每个最近邻图所得到的特征矩阵W进行分析并聚类。其采用鲁棒损失函数对其中的重构误差进行测量，在该鲁棒损失函数中没有使用标记数据进行判别，引入非负矩阵分解的半监督方法后，能够有效的提高效率及精确率。

主权项

1.一种基于图正则化的鲁棒性结构非负矩阵分解聚类方法，其特征在于，包括：S10获取m个待聚类图像，并根据待聚类图像构造k个最邻近图；S20针对每个最邻近图得到相应的数据矩阵Y，所述数据矩阵Y中包括n个数据点，使用非负矩阵分解方法对数据矩阵Y进行分解得到特征矩阵W和系数矩阵H；S30基于l_2,p范数建立基于图正则化的鲁棒性结构非负矩阵分解的目标函数O；其中，表示正则化项，μ表示基础系数，Z表示正则化项中的指标矩阵，表示标记数据点矩阵，表示无标记数据点的零矩阵；表示系数项，β表示稀疏系数；λTr(W^TL_WW)和μTr(H^TL_HH)表示图正则项，λ表示低秩系数，L^W＝E^W‑V^W和L^H＝E^H‑V^H为拉普拉斯方程，V为构造的最近邻图的权重矩阵，E为对角矩阵；S40根据目标函数O，使用迭代加权的方法迭代预设次数，对特征矩阵W、系数项及图正则项λTr(W^TL_WW)和μTr(H^TL_HH)进行更新；S50采用k‑means聚类算法分别对每个最近邻图所得到的特征矩阵W进行分析并聚类。