發(fā)布時(shí)間：2021-05-22 17:11

　　隨著計(jì)算機(jī)技術(shù)的發(fā)展,數(shù)據(jù)采集渠道與特征提取器的種類日趨多樣,使得同一對(duì)象可以從不同層面進(jìn)行描述,從而產(chǎn)生多個(gè)視圖形成多視圖數(shù)據(jù)。然而,由于遮擋、儀器損壞等原因?qū)е虏杉降拿總�(gè)視圖數(shù)據(jù)均不完整,形成不完全（有樣本缺失的）多視圖數(shù)據(jù)。因此,如何處理不完全多視圖數(shù)據(jù)并從中挖掘到該類數(shù)據(jù)的共享信息,以及如何利用這類多視圖數(shù)據(jù)的一致性原則以及互補(bǔ)原則完成多視圖聚類任務(wù),已經(jīng)引起機(jī)器學(xué)習(xí)領(lǐng)域研究人員的廣泛關(guān)注。目前,針對(duì)不完全多視圖數(shù)據(jù),已有的大多數(shù)方法都是基于非負(fù)矩陣分解（Nonnegative Matrix Factorization,NMF）求得原始不完整數(shù)據(jù)的共享表示（Common Representation）,然后執(zhí)行k-means聚類方法求得最終的結(jié)果。這種“兩階段”多視圖聚類方法沒(méi)有考慮不完全多視圖數(shù)據(jù)處理與聚類的關(guān)系,即在數(shù)據(jù)處理階段沒(méi)有考慮聚類的要求,這使得現(xiàn)有方法的性能還可以進(jìn)一步提升。此外,基于非負(fù)矩陣分解來(lái)解決缺失問(wèn)題的聚類方法沒(méi)有考慮由NMF學(xué)習(xí)到的基矩陣的判別能力以及系數(shù)的稀疏程度。而且,大多數(shù)現(xiàn)有的聚類方法均在訓(xùn)練模型前進(jìn)行降維,無(wú)法充分利用原始數(shù)據(jù)中的判別信息。... 

【文章來(lái)源】：南昌大學(xué)江西省 211工程院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 多視圖聚類算法
        1.2.2 不完全多視圖聚類算法
    1.3 研究?jī)?nèi)容及創(chuàng)新
    1.4 論文結(jié)構(gòu)
第2章 相關(guān)知識(shí)介紹
    2.1 聚類分析概述
        2.1.1 聚類分析概念
        2.1.2 聚類分析的過(guò)程
        2.1.3 聚類分析的相似性測(cè)量
        2.1.4 聚類算法的分類
    2.2 多視圖學(xué)習(xí)概述
        2.2.1 協(xié)同訓(xùn)練學(xué)習(xí)算法
        2.2.2 多核學(xué)習(xí)算法
        2.2.3 子空間學(xué)習(xí)算法
    2.3 基于NMF的不完全多視圖聚類概述
        2.3.1 不完全多視圖數(shù)據(jù)的處理方法
        2.3.2 非負(fù)矩陣分解介紹
        2.3.3 基于非負(fù)矩陣分解的不完全多視圖聚類算法介紹
    2.4 本章小結(jié)
第3章 稀疏表示與字典學(xué)習(xí)
    3.1 稀疏表示
    3.2 字典學(xué)習(xí)
        3.2.1 無(wú)監(jiān)督字典學(xué)習(xí)
        3.2.2 有監(jiān)督字典學(xué)習(xí)
    3.3 本章小結(jié)
第4章 基于稀疏嵌入框架的不完全多視圖聚類
    4.1 引言
    4.2 PMC-SE算法
        4.2.1 符號(hào)說(shuō)明
        4.2.2 基于稀疏嵌入框架的聚類
        4.2.3 基于Fisher準(zhǔn)則的字典學(xué)習(xí)
        4.2.4 PMC-SE目標(biāo)函數(shù)
    4.3 PMC-SE算法優(yōu)化
        4.3.1 初始化
        4.3.2 優(yōu)化過(guò)程
        4.3.3 算法總結(jié)
    4.4 算法復(fù)雜度及收斂性分析
        4.4.1 收斂性分析
        4.4.2 計(jì)算復(fù)雜度分析
    4.5 本章小結(jié)
第5章 實(shí)驗(yàn)與結(jié)果分析
    5.1 實(shí)驗(yàn)設(shè)置
        5.1.1 對(duì)比算法介紹
        5.1.2 參數(shù)設(shè)置
    5.2 人工合成數(shù)據(jù)實(shí)驗(yàn)
    5.3 Extend Yale B人臉數(shù)據(jù)庫(kù)實(shí)驗(yàn)
    5.4 手寫(xiě)數(shù)字識(shí)別數(shù)據(jù)庫(kù)(MNIST)實(shí)驗(yàn)
    5.5 CALTECH-101數(shù)據(jù)庫(kù)實(shí)驗(yàn)
    5.6 收斂分析
    5.7 本章小結(jié)
第6章 總結(jié)與展望
致謝
參考文獻(xiàn)
在攻讀學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]字典學(xué)習(xí)模型、算法及其應(yīng)用研究進(jìn)展[J]. 練秋生,石保順,陳書(shū)貞.  自動(dòng)化學(xué)報(bào). 2015(02)
[2]稀疏表示分類人臉識(shí)別方法綜述[J]. 侯彥東,杜海順.  計(jì)算機(jī)光盤(pán)軟件與應(yīng)用. 2014(14)

碩士論文
[1]基于多核學(xué)習(xí)的多視圖增量聚類模型研究[D]. 張佩瑞.西南交通大學(xué) 2017
[2]多視角數(shù)據(jù)缺失補(bǔ)全問(wèn)題研究[D]. 楊旭.北京交通大學(xué) 2016
[3]多視圖學(xué)習(xí)研究及其算法改進(jìn)[D]. 劉彥勛.西安電子科技大學(xué) 2015



本文編號(hào)：3201368