隨著大數(shù)據(jù)時代的發(fā)展,數(shù)據(jù)的采集和存儲技術(shù)已經(jīng)越來越豐富。人們獲得的數(shù)據(jù)往往是由多組特征進行描述的數(shù)據(jù)即多視圖數(shù)據(jù)。比如,不同視角下拍攝的同一對象的圖像數(shù)據(jù)。此類數(shù)據(jù)在不同方向?qū)υ搶ο蟮奶卣鬟M行描述,既攜帶了大量互補信息,同時包含了大量冗余信息,并且特征維度高。如何能夠有效地對多視圖數(shù)據(jù)進行高效和準確的分析成為巨大的挑戰(zhàn)。聚類分析是進行數(shù)據(jù)分析的一個基本方法,一直以來都受到高度的關(guān)注并且發(fā)展迅速。其中,在子空間上進行多視圖聚類是目前解決多視圖數(shù)據(jù)聚類任務(wù)的一個主要發(fā)展方向。本文針對多視圖子空間聚類方法中如何有效地同時利用視圖間的相關(guān)性和差異性這一關(guān)鍵問題展開研究,對多視圖子空間聚類方法中的視圖權(quán)重學(xué)習(xí)提出了優(yōu)化、改進方案,探索了各視圖間的權(quán)重分配問題,利用了視圖間的關(guān)系,提高了聚類的性能。本文的主要研究內(nèi)容包括:（1）譜聚類算法的研究。譜聚類是稀疏子空間聚類的基礎(chǔ),也是本文開展研究工作的基礎(chǔ)。論文研究了譜聚類算法的理論和經(jīng)典譜圖劃分方法,介紹了圖論理論知識以及Laplacian矩陣,但是譜聚類需要k-means作為后處理的方式進行聚類,而k-means本身對初值敏感。基于譜聚類k-me... 

【文章來源】：廣東工業(yè)大學(xué)廣東省

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

多視圖數(shù)據(jù)示例

圖 2-4 子空間學(xué)習(xí)過程Fig.2-4 The process of Subspace clustering learning類是一種基于圖論的聚類算法[36]，其基本思想是利用反映數(shù)據(jù)陣計算 Laplacian 矩陣，然后選擇 Laplacian 矩陣的前 k（k 是構(gòu)成新的譜空間并進行數(shù)據(jù)映射，通過特征空間的映射，譜有挑戰(zhàn)性的數(shù)據(jù)轉(zhuǎn)化為傳統(tǒng)聚類算法（如 k-means）容易處理是基于圖的聚類方法中的一種，數(shù)據(jù)的聚類問題實際上就是出的譜聚類算法就是針對單視圖數(shù)據(jù)樣本構(gòu)成的圖的一種最onath 和 Hoffman 的文獻[37]，他們首先提出用相似矩陣的特38]。同年，F(xiàn)iedler[39]提出圖的二劃分與圖 Laplacian 矩陣的第[4

1 , 2,3,4,5,6 ， E ( 1,2),(1,5),(1,3),(2,3),(5,4),(5,6),(4,6),(3,4 為 權(quán) 重 ， 例 如 ： 點 1 和 點 2 的 權(quán) 重 0445566 W W W 圖 2-5 無向圖Fig.2-5 Undirected graph來講，譜聚類的過程就是數(shù)據(jù)圖的最優(yōu)劃分問題，使得不同子圖的點相似性最低。圖 2-6 給出了圖劃分過程


本文編號：3026540