隨著互聯(lián)網(wǎng)和傳感器技術(shù)的迅速發(fā)展,人們獲取的數(shù)據(jù)從過(guò)去的單一視圖描述逐漸演變?yōu)闊o(wú)處不在的多視圖描述。因此,多視圖學(xué)習(xí)成為人工智能、機(jī)器學(xué)習(xí)等領(lǐng)域的研究熱點(diǎn)。多視圖聚類(lèi)分析作為多視圖學(xué)習(xí)任務(wù)的一個(gè)主要研究方向,在過(guò)去的幾十年里發(fā)展迅速,取得了長(zhǎng)足的進(jìn)展。其中,基于圖學(xué)習(xí)的多視圖聚類(lèi)因其簡(jiǎn)單、高效而受到人們的廣泛關(guān)注。然而,受不同視圖之間的異構(gòu)信息及實(shí)際數(shù)據(jù)中可能存在的噪聲影響,已有基于圖學(xué)習(xí)的多視圖聚類(lèi)方法從多個(gè)視圖或多個(gè)圖中直接學(xué)習(xí)一致的圖,難以準(zhǔn)確的刻畫(huà)所有視圖的結(jié)構(gòu),從而降低了聚類(lèi)的穩(wěn)定性和正確性。對(duì)此問(wèn)題,論文分別從圖輸入和樣本輸入入手,深入研究魯棒圖學(xué)習(xí)的多視圖聚類(lèi)算法。具體內(nèi)容如下:針對(duì)基于Markov的多視圖聚類(lèi)方法忽略了目標(biāo)秩先驗(yàn)信息,處理含有光照變化等噪聲數(shù)據(jù)時(shí)聚類(lèi)性能退化明顯問(wèn)題,提出了融合局部和全局圖的多視圖聚類(lèi)方法。該方法使用最小化部分奇異值之和代替核范數(shù),有效地將目標(biāo)秩的先驗(yàn)信息嵌入到一致圖學(xué)習(xí)模型中。另外,使用每個(gè)視圖構(gòu)建的局部圖和所有視圖串聯(lián)的特征構(gòu)建的全局圖做輸入,明確考慮了多視圖數(shù)據(jù)的局部幾何結(jié)構(gòu)和全局幾何結(jié)構(gòu)。在人臉、數(shù)字、視頻圖像等八個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集,以... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：126 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀
        1.2.1 基于樣本輸入的多視圖聚類(lèi)
        1.2.2 基于圖輸入的多視圖聚類(lèi)
    1.3 研究?jī)?nèi)容及貢獻(xiàn)
    1.4 組織結(jié)構(gòu)
第二章 融合局部和全局圖的多視圖聚類(lèi)
    2.1 基于Markov的譜聚類(lèi)概述
        2.1.1 基于Markov的譜聚類(lèi)
        2.1.2 魯棒多視圖譜聚類(lèi)
    2.2 融合局部和全局圖的多視圖聚類(lèi)
        2.2.1 思想及模型設(shè)計(jì)
        2.2.2 優(yōu)化算法
        2.2.3 構(gòu)建全局圖和轉(zhuǎn)移概率矩陣
    2.3 實(shí)驗(yàn)分析
        2.3.1 數(shù)據(jù)集
        2.3.2 對(duì)比算法
        2.3.3 評(píng)價(jià)指標(biāo)
        2.3.4 實(shí)驗(yàn)設(shè)置
        2.3.5 實(shí)驗(yàn)結(jié)果
    2.4 本章小結(jié)
第三章 基于圖潛在子空間學(xué)習(xí)的多視圖聚類(lèi)
    3.1 基本思想
    3.2 數(shù)學(xué)模型及優(yōu)化算法
        3.2.1 目標(biāo)函數(shù)
        3.2.2 優(yōu)化算法
        3.2.3 計(jì)算復(fù)雜度分析及收斂性說(shuō)明
    3.3 實(shí)驗(yàn)分析
        3.3.1 實(shí)驗(yàn)設(shè)置
        3.3.2 實(shí)驗(yàn)結(jié)果
    3.4 本章小結(jié)
第四章 基于潛在相似度學(xué)習(xí)的多視圖聚類(lèi)
    4.1 潛在多視圖子空間聚類(lèi)
    4.2 局部自適應(yīng)潛在相似度學(xué)習(xí)
        4.2.1 基本思想及模型設(shè)計(jì)
        4.2.2 優(yōu)化算法
        4.2.3 計(jì)算復(fù)雜度分析及收斂性說(shuō)明
    4.3 實(shí)驗(yàn)分析
        4.3.1 標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)及分析
        4.3.2 在癌癥景觀(guān)數(shù)據(jù)集上的實(shí)驗(yàn)及分析
    4.4 本章小結(jié)
第五章 基于加權(quán)張量核范數(shù)的多視圖聚類(lèi)
    5.1 基礎(chǔ)知識(shí)
        5.1.1 張量
        5.1.2 低秩張量約束的多視圖子空間聚類(lèi)
    5.2 加權(quán)張量核范數(shù)
        5.2.1 思想及數(shù)學(xué)模型
        5.2.2 優(yōu)化算法
        5.2.3 與現(xiàn)有的代表性模型的關(guān)系
    5.3 基于加權(quán)張量核范數(shù)的多視圖聚類(lèi)
        5.3.1 思想及數(shù)學(xué)模型
        5.3.2 優(yōu)化算法
        5.3.3 收斂分析
    5.4 實(shí)驗(yàn)分析
        5.4.1 數(shù)據(jù)集
        5.4.2 對(duì)比算法
        5.4.3 參數(shù)設(shè)置及分析
        5.4.4 實(shí)驗(yàn)結(jié)果及分析
        5.4.5 多視圖特征的貢獻(xiàn)
    5.5 小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 研究?jī)?nèi)容展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3132790