隨著大數(shù)據(jù)時(shí)代的發(fā)展,數(shù)據(jù)的采集和存儲(chǔ)技術(shù)已經(jīng)越來(lái)越豐富。人們獲得的數(shù)據(jù)往往是由多組特征進(jìn)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(duì)象的圖像數(shù)據(jù)。此類數(shù)據(jù)在不同方向?qū)υ搶?duì)象的特征進(jìn)行描述,既攜帶了大量互補(bǔ)信息,同時(shí)包含了大量冗余信息,并且特征維度高。如何能夠有效地對(duì)多視圖數(shù)據(jù)進(jìn)行高效和準(zhǔn)確的分析成為巨大的挑戰(zhàn)。聚類分析是進(jìn)行數(shù)據(jù)分析的一個(gè)基本方法,一直以來(lái)都受到高度的關(guān)注并且發(fā)展迅速。其中,在子空間上進(jìn)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(gè)主要發(fā)展方向。本文針對(duì)多視圖子空間聚類方法中如何有效地同時(shí)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(duì)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(jìn)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?jī)?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(shí)以及Laplacian矩陣,但是譜聚類需要k-means作為后處理的方式進(jìn)行聚類,而k-means本身對(duì)初值敏感。基于譜聚類k-me... 

【文章來(lái)源】：廣東工業(yè)大學(xué)廣東省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)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(guò)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(jì)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(jìn)行數(shù)據(jù)映射，通過(guò)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(shí)際上就是出的譜聚類算法就是針對(duì)單視圖數(shù)據(jù)樣本構(gòu)成的圖的一種最onath 和 Hoffman 的文獻(xiàn)[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(diǎn) 1 和 點(diǎn) 2 的 權(quán) 重 0445566 W W W 圖 2-5 無(wú)向圖Fig.2-5 Undirected graph來(lái)講，譜聚類的過(guò)程就是數(shù)據(jù)圖的最優(yōu)劃分問題，使得不同子圖的點(diǎn)相似性最低。圖 2-6 給出了圖劃分過(guò)程


本文編號(hào)：3026540