CN106096628A - 基于局部子空间学习的多视角聚类方法 - Google Patents

Abstract

本发明公开了一种基于局部子空间学习的多视角聚类方法。本发明方法，包括：对数据在不同视角下进行特征提取，并生成相应的核矩阵，使用基于局部子空间学习的多视角方法获得统一的核矩阵，使用拉普拉斯映射算法进行映射，对低维空间中的表示采用Kmeans算法进行聚类得到结果。本发明实现了多视角聚类方法，同时提高了聚类的效果。

Description

基于局部子空间学习的多视角聚类方法

技术领域

本发明涉及数据分析技术领域，尤其涉及一种基于局部子空间学习的多视角聚类方法。

背景技术

K-means算法是目前使用最广泛的聚类算法之一。K-means算法适用于单一特征且分布为聚簇形状为凸的情况。它的根本思想是通过随机指定初始中心，并根据与中心点的距离将所有样本划归到最近的中心，通过迭代更新聚类中心的值，直到算法收敛。

因此，Kmeans算法难以同时使用同一数据的不同特征进行聚类，而且当数据分布形状不为凸时效果也不理想。

发明内容

本发明实施例提供一种基于局部子空间学习的多视角聚类方法，以克服现有技术中无法同时使用多种特征进行聚类的问题。

本发明实施例的基于局部子空间学习的多视角聚类方法，包括：进行多视角特征提取；对给定的数据使用不同的方法进行特征提取，得到数据在不同视角下的特征。

使用不同特征生成的核矩阵进行多视角学习，得到统一的核矩阵。

使用核矩阵进行拉普拉斯映射，并对映射后结果使用K-means聚类。

进一步地，对不同的特征使用高斯核方法对不同视角下的特征进行计算得到不同特征的相似度核矩阵。

进一步地，使用不同视角下的相似度矩阵根据模型计算统一的相似度核矩阵，所述模型为：

$\underset{Z\≥0}{min}\underset{m}{\Σ}\underset{i}{\Σ}{\mathrm{\θ}}_m\left|\right|\mathrm{\φ}{\left(x_i\right)}^{\left(m\right)}-\mathrm{\φ}{\left(x_i\right)}^{\left(m\right)}Z|{|}^2+\mathrm{\α}Tr\left(Z^{T}Z\right)+\mathrm{\β}|\left|Z\right|{|}_1$

其中φ(x_i)^(m)为x_i在第m个视角下的高维空间中的表示，θ_m为每一个视角在整体优化函数中所占的权重。α和β是正则化参数，用于控制稀疏性和惩罚项在优化问题中的权重，Z为统一的核矩阵。

使用迭代方法得到统一的核矩阵，迭代方法为：

$Z_{ij}\←Z_{ij}\frac{\underset{m}{\Σ}{\mathrm{\θ}}_m{K}_{ij}^{\left(m\right)}}{{(\underset{m}{\Σ}{\mathrm{\θ}}_m{K}^{\left(m\right)}Z+\mathrm{\α}Z)}_{ij}+\frac{\mathrm{\β}}{2}}$

其中K^(m)为第m个视角下的相似度核矩阵。

进一步地，将统一的核矩阵作为输入，使用拉普拉斯映射算法获得低维空间中的表示。

进一步地，使用K-means算法对低维空间中的表示进行聚类。

附图说明

图1为本发明基于局部子空间学习的多视角聚类方法流程图。

图2为本发明实施例基于局部子空间学习的多视角聚类方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在图像聚类方面，可以对图像使用不同的特征提取算法进行特征提取，例如分别使用LBP,MSD,CDH,MTH四种算法对图像数据集进行特征提取，得到的结果记为对不同视角下提取得到的特征使用高斯核函数，得到核矩阵K₁，K₂，K₃，K₄∈R^n×n。将核矩阵按照步骤204所示的迭代方法进行计算得到统一的核矩阵，并作为输入使用拉普拉映射算法获得低维空间中的表示Y∈R^n×d，对Y使用kmeans算法即可得到聚类结果。

图2所示，本实施例方法，包括：

步骤201、进行多视角特征提取，对给定的数据使用不同的方法进行特征提取，得到数据在不同视角下的特征。

步骤202、利用高斯核方法对不同视角下的特征进行计算得到不同特征的相似度矩阵。

步骤203、利用不同视角下的相似度矩阵根据模型进行计算，所述模型为：

$\underset{Z\≥0}{min}\underset{m}{\Σ}\underset{i}{\Σ}{\mathrm{\θ}}_m\left|\right|\mathrm{\φ}{\left(x_i\right)}^{\left(m\right)}-\mathrm{\φ}{\left(x_i\right)}^{\left(m\right)}Z|{|}^2+\mathrm{\α}Tr\left(Z^{T}Z\right)+\mathrm{\β}|\left|Z\right|{|}_1$

其中φ(x_i)^(m)为x_i在第m个视角下的高维空间中的表示，θ_m为每一个视角在整体优化函数中所占的权重。α和β是正则化参数，用于控制稀疏性和惩罚项在优化问题中的权重，Z为统一的核矩阵。

步骤204、使用迭代方法得到统一的核矩阵，迭代方法为：

$Z_{ij}\←Z_{ij}\frac{\underset{m}{\Σ}{\mathrm{\θ}}_m{K}_{ij}^{\left(m\right)}}{{(\underset{m}{\Σ}{\mathrm{\θ}}_m{K}^{\left(m\right)}Z+\mathrm{\α}Z)}_{ij}+\frac{\mathrm{\β}}{2}}$

其中K^(m)为第m个视角下的相似度核矩阵。

步骤205、将统一的核矩阵作为输入，使用拉普拉斯映射算法获得低维空间中的表示。

步骤206、使用K-means算法对低维空间中的表示进行聚类。

本实施例，通过对数据不同特征核矩阵进行多视角学习获得统一的核矩阵并使用拉普拉斯映射获得低维表示进行kmeans聚类，明显提高了聚类的准确率。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种基于基于局部子空间学习的多视角聚类方法，其特征在于，包括：

步骤S101：进行多视角特征提取；对给定的数据使用不同的方法进行特征提取，得到数据在不同视角下的特征；

步骤S102：使用不同特征生成的核矩阵进行多视角学习，得到统一的核矩阵；

步骤S103：使用核矩阵进行拉普拉斯映射，并对映射后结果使用K-means聚类。

2.根据权利要求1所述基于基于局部子空间学习的多视角聚类方法，其特征在于，所述步骤S102，利用高斯核方法对不同视角下的特征进行计算得到不同特征的相似度矩阵。

3.根据权利要求2所述的基于基于局部子空间学习的多视角聚类方法，其特征在于，利用不同视角下的相似度矩阵根据模型进行计算，所述模型为：

$\underset{Z\≥0}{min}\underset{m}{\Σ}\underset{i}{\Σ}{\mathrm{\θ}}_m\left|\right|\mathrm{\φ}{\left(x_i\right)}^{\left(m\right)}-\mathrm{\φ}{\left(x_i\right)}^{\left(m\right)}Z|{|}^2+\mathrm{\α}Tr\left(Z^{T}Z\right)+\mathrm{\β}|\left|Z\right|{|}_1$

其中φ(x_i)^(m)为x_i在第m个视角下的高维空间中的表示，θ_m为每一个视角在整体优化函数中所占的权重；α和β是正则化参数，用于控制稀疏性和惩罚项在优化问题中的权重，Z为统一的核矩阵；

使用迭代方法得到统一的核矩阵，迭代方法为：

$Z_{ij}\←Z_{ij}\frac{\underset{m}{\Σ}{\mathrm{\θ}}_m{K}_{ij}^{\left(m\right)}}{{(\underset{m}{\Σ}{\mathrm{\θ}}_m{K}^{\left(m\right)}Z+\mathrm{\α}Z)}_{ij}+\frac{\mathrm{\β}}{2}}$

其中K^(m)为第m个视角下的相似度核矩阵。

4.根据权利要求1所述的基于基于局部子空间学习的多视角聚类方法，，其特征在于，所述步骤103：将统一的核矩阵作为输入，使用拉普拉斯映射算法获得低维空间中的表示。

5.根据权利要求1所述的基于基于局部子空间学习的多视角聚类方法，，其特征在于，所述步骤103：使用K-means算法对低维空间中的表示进行聚类。