聚類在機器學習和模式識別領域被廣泛地研究,其以無監(jiān)督的方式將數據按照相似性劃分為不同的類別.特征學習是聚類任務中一個關鍵步驟,旨在將原始高維數據映射到低維的特征表示,同時保留數據的重要信息,使得聚類性能實現顯著的提升.隨著深度學習的興起,深度神經網絡憑借其強大的特征表示能力促進了深度聚類任務的發(fā)展.然而,現存的大部分深度聚類算法在特征學習的過程中忽略了特征之間的局部連接關系,使得原始數據到特征低維映射的過程中破壞了特征空間的本征結構,從而影響了聚類的性能.為了解決這一問題,本文分別針對兩個先進的深度聚類算法進行基于局部結構保持的改進,提出利用局部保持正則項來約束深度特征學習,通過考慮特征之間的局部連接關系保持特征空間的本征結構,從而實現聚類性能的有效提升.具體來說,本文提出的改進算法分別為:(1)基于局部保持的深度子空間聚類算法:首先將圖像數據輸入深度卷積自編碼器進行預訓練,學習數據潛在的初始特征;然后利用預訓練特征學習一個代表特征之間相似性的初始親和圖矩陣,并將其作為網絡微調訓練中特征的先驗圖結構信息;在微調訓練中,該算法在預訓練深度自編碼器模型的基礎上,加入一層基于數據自表達屬性構...

【文章頁數】：77 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 論文選題的背景與意義
    1.2 研究進展和現狀
        1.2.1 聚類與特征學習概述
        1.2.2 聚類算法的發(fā)展及現狀
        1.2.3 本文的主要工作
        1.2.4 本文的結構安排
第二章 基于深度特征學習的聚類
    2.1 深度神經網絡
    2.2 誤差反向傳播理論
    2.3 深度自編碼器
        2.3.1 自編碼器的結構
        2.3.2 自編碼器的訓練
    2.4 深度聚類算法
        2.4.1 分步深度聚類算法
        2.4.2 聯合的深度聚類算法
    2.5 本章小結
第三章 基于局部保持的深度子空間聚類
    3.1 引言
    3.2 深度自編碼器的預訓練
    3.3 局部結構保持
        3.3.1 先驗圖設計
        3.3.2 局部保持損失
    3.4 數據的自表達屬性
        3.4.1 網絡自表達層
    3.5 微調訓練
    3.6 實驗設置及結果
        3.6.1 數據集介紹
        3.6.2 參數設置
        3.6.3 實驗結果
        3.6.4 消融實驗研究
        3.6.5 參數敏感度分析
    3.7 本章小結
第四章 基于局部保持的深度嵌入聚類
    4.1 引言
    4.2 深度自編碼器的預訓練
    4.3 編碼器的微調訓練
        4.3.1 t-SNE算法
        4.3.2 DEC算法
        4.3.3 局部保持損失
        4.3.4 參數優(yōu)化
    4.4 實驗設置及結果
        4.4.1 數據集介紹
        4.4.2 對比方法介紹
        4.4.3 實驗參數設置
        4.4.4 實驗結果
    4.5 本章小結
第五章 總結與展望
    5.1 論文總結
    5.2 展望
參考文獻
在學期間的研究成果
致謝



本文編號：3784064