[发明专利]一种多视子空间聚类方法及装置

权利要求书

1.一种多视子空间聚类方法，其特征在于：该方法包括以下步骤：

(1)获取原始数据集的多视特征矩阵

(2)对于给定的多视数据X_v，根据低秩自表示子空间聚类方法,对每个视数据的表示系数矩阵Z_v分别进行低秩约束和秩结构一致性约束,构建基于低秩矩阵分解和秩结构一致性约束的多视子空间聚类模型；

(3)对于构造的多视子空间聚类模型，采用交替方向乘子法求解优化问题，得到秩结构一致的多视自表示系数矩阵；

(4)将多视自表示系数矩阵融合得到关联矩阵W，对关联矩阵W执行谱聚类得到最后的聚类结果。

2.根据权利要求1所述的多视子空间聚类方法，其特征在于：所述步骤(2)中，对于每个视的自表示系数矩阵进行矩阵分解，并且

3.根据权利要求2所述的多视子空间聚类方法，其特征在于：所述步骤(1)中，对于所述原始数据集中的每个样本，采用不同的特征提取器提取不同类型的数据特征，进而组成多视数据特征矩阵其中n是数据集样本个数，V是多视个数，d_v是第v视数据特征的维度。

4.根据权利要求3所述的多视子空间聚类方法，其特征在于：所述步骤(2)中，所述基于秩结构一致性的多视子空间聚类模型为：

s.t.X_v＝X_vZ_v+E_v，rank(Z₁)＝…＝rank(Z_V)≤k,

其中Z_v∈R^n×n是第v视的低秩表示系数矩阵，拟合第v视数据特征的噪声，λ是正则化参数平衡低秩项和噪声稀疏项的重要性，rank(Z₁)＝…＝rank(Z_V)≤k是秩一致性结构约束，保证多视自表示系数矩阵的结构一致性，k是低秩表示系数矩阵的秩上界，k＜＜n。

5.根据权利要求4所述的多视子空间聚类方法，其特征在于：所述步骤(2)的矩阵分解中，||Z_v||_*＝||C||_*，rank(Z_v)＝rank(C)对于任意的视v；得到便于优化求解得模型为：

s.t.X_v＝X_vZ_v+E_v,

其中，视特定的表示系数矩阵被分解为三矩阵相乘，并且左右矩阵正交，中间共享一个公共的核矩阵C，保证自表示系数矩阵的结构一致性，并且能够最大化挖掘互补信息提升聚类效果。

6.根据权利要求5所述的多视子空间聚类方法，其特征在于：所述步骤(3)中，采用交替方向乘子法求解公式(2)得到秩结构一致的多视自表示系数矩阵，公式(2)的增广拉格朗日函数为

其中A，B表示矩阵A和B的内积，μ是惩罚系数，是拉格朗日乘子；交替优化上述增广拉格朗日函数中的所有变量直至收敛。

7.根据权利要求6所述的多视子空间聚类方法，其特征在于：所述步骤(3)中，交替优化上述增广拉格朗日函数中的所有变量直至收敛的步骤为：

固定其他变量，更新L_v：

固定其他变量，更新R_v：

固定其他变量，更新C：

固定其他变量，更新Z_v：

固定其他变量，更新E_v：

固定其他变量，更新拉格朗日乘子和惩罚系数：

其中

重复执行上述变量更新步骤直到达到收敛条件：得到用于最后融合聚类的视特定的表示系数矩阵Z_v。