發(fā)布時(shí)間：2023-04-17 00:53

　　聚類分析是數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域中非常重要的技術(shù)。在數(shù)據(jù)挖掘的許多實(shí)際應(yīng)用中,同一事物的數(shù)據(jù)可以從不同來源收集,或者使用不同的特征提取方法獲得,這樣的數(shù)據(jù)稱為多視圖數(shù)據(jù)。傳統(tǒng)的單視圖聚類方法無法有效處理多視圖數(shù)據(jù),因此多視圖聚類成為許多研究者的關(guān)注重點(diǎn)。為了挖掘多視圖數(shù)據(jù)的內(nèi)在結(jié)構(gòu),尋求多視圖數(shù)據(jù)的公共表示,實(shí)現(xiàn)提高多視圖數(shù)據(jù)聚類效果的目的,本文提出兩種基于子空間學(xué)習(xí)的多視圖聚類算法。本文的主要工作如下:首先,本文闡述了多視圖聚類的意義以及幾種常見的多視圖聚類的基本框架,介紹了代表性研究成果并分析了現(xiàn)有方法的優(yōu)點(diǎn)與不足之處。接著,本文總結(jié)了圖拉普拉斯矩陣在流形學(xué)習(xí)方面的用途,分析了傳統(tǒng)的單視圖子空間聚類的工作原理。然后,本文提出基于流形正則化和秩約束的多視圖聚類方法(MRMSC)。MRMSC通過結(jié)合子空間學(xué)習(xí)和基于圖拉普拉斯矩陣的流形正則化,將傳統(tǒng)的單視圖子空間聚類方法推廣到多視圖數(shù)據(jù)的場(chǎng)景。通過給公共子空間的拉普拉斯矩陣加以秩約束,以期尋找更加良好的聚類結(jié)構(gòu)。進(jìn)一步,為了彌補(bǔ)線性模型泛化能力的不足,通過使用核技巧,提出核化的基于流形正則化和秩約束的多視圖聚類方法(KMRMSC)。針對(duì)...

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 引言
    1.1 多視圖聚類的研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的主要工作
        1.3.1 算法的基本假設(shè)
        1.3.2 主要研究內(nèi)容
        1.3.3 創(chuàng)新點(diǎn)
    1.4 本文的組織結(jié)構(gòu)
第二章 相關(guān)理論和技術(shù)
    2.1 拉普拉斯矩陣介紹
        2.1.1 圖論基礎(chǔ)知識(shí)
        2.1.2 拉普拉斯矩陣
        2.1.3 秩約束拉普拉斯矩陣
    2.2 子空間聚類算法
        2.2.1 稀疏子空間聚類方法
        2.2.2 低秩子空間聚類方法
        2.2.3 子空間聚類的發(fā)展
    2.3 多視圖子空間聚類算法
        2.3.1 隱空間多視圖子空間聚類
        2.3.2 多樣性誘導(dǎo)的多視圖子空間聚類
    2.4 本章小結(jié)
第三章 基于流形正則化和秩約束的多視圖聚類模型
    3.1 模型的建立
    3.2 模型的求解
    3.3 核化模型
    3.4 核化模型求解
    3.5 參數(shù)的選擇
    3.6 算法的復(fù)雜度分析
        3.6.1 時(shí)間復(fù)雜度
        3.6.2 空間復(fù)雜度
    3.7 算法的收斂性分析
    3.8 本章小結(jié)
第四章 實(shí)驗(yàn)結(jié)果與分析
    4.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.1.1 合成數(shù)據(jù)集
        4.1.2 真實(shí)數(shù)據(jù)集
    4.2 對(duì)比方法
    4.3 評(píng)價(jià)指標(biāo)
    4.4 實(shí)驗(yàn)設(shè)置
    4.5 實(shí)驗(yàn)結(jié)果討論
        4.5.1 合成數(shù)據(jù)集討論
        4.5.2 真實(shí)數(shù)據(jù)集討論
    4.6 算法收斂性討論
    4.7 算法參數(shù)敏感性
    4.8 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝
附件



本文編號(hào)：3792232