申请/专利权人：华东师范大学

申请日：2023-12-22

公开（公告）日：2024-03-19

公开（公告）号：CN117725456A

主分类号：G06F18/2337

分类号：G06F18/2337;G06F18/213;G06F18/25;G06N5/04

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明公开了一种用于表征聚类不精确性的多视角聚类方法，针对现有多视角聚类方法难以表征不同类别局部重叠区域不可分的问题，将传统多视角聚类方法扩展至广义框架下，使重叠区域不可分目标可以被分配到复合类，设计基于低秩近似与香农熵约束的多视角聚类方法。从全局考虑如何实现多视角信息融合，使用低秩近似技术最大限度挖掘全视角信息间的一致性和互补性，差异化对待不同视角信息的重要性和有效性，利用香农熵思想设计熵最大化多视角权重自适应调整策略，实现在广义框架下的多视角聚类，实现多视角聚类的不精确性不可区分性表征。

主权项：1.一种用于表征聚类不精确性的多视角聚类方法，其特征在于，所述方法具体步骤如下：步骤1：采用爬虫从网络中捕捉获取或搜索获取对应领域团队提供的公开数据或通过实验测试获取方式，收集包括目标集对应的图像、文本、音频、传感器数据信息，构建目标数据集，提取目标数据集的多视角目标特征，输入多视角数据和根据实际需求设定的单类数C和加权系数α,θ,η，加权系数α,θ,η分别用于控制聚类结果的不精确程度、多视角信任值的融合程度和多视角权重差异程度；步骤2：初始化各视角的权重wq取均值其中Q代表权重序列号；初始化各个视角中各个单类{ak}的类中心随机选取C个目标的特征行向量作为各个单类类中心；并利用公式1计算出对应的复合类{ai,…,aj}的类中心 上式中，Aj是广义框架中的元素，Aj为单类{ak}、复合类{ai,…,aj}或噪声类Ω＝{a1,a2,…,aC}表示单类ak的集合；|Aj\是该类别中单类的数量；利用公式2初始化各视角中目标的低秩信任值 初始化目标函数值o＝0；步骤3：利用公式3,4和5计算出各视角中全部目标的信任值 其中是第q个视角中第i个目标和第j个类的中心的欧几里得距离； 其中，中间变量Δ的计算方法如下 式中，δ表示噪声对聚类结果的影响程度；步骤4：利用公式6和7计算出新的视角权重wq′ 其中，中间变量Ψ的计算方法如下 步骤5：利用公式8,9和10计算出单类的新类中心其中，中间变量的计算方法如下HqVq＝Bq8其中Vq为各视角单类中心矩阵，Hq为类空间转换矩阵，Bq为类中心偏移矩阵， 然后将代入11计算出复合类的新类中心 步骤6：根据公式12对各个视角的信任值矩阵进行奇异值分解Uq′＝Aq∑qFqT12得到方阵Aq，方阵Fq和奇异值矩阵然后利用公式13计算出Σq的软阈值矩阵 其中ρ＝0.1最后利用公式14计算出新的低秩信任值矩阵 步骤7：将步骤3-6计算得到的新信任值单类的新类中心和复合类的新类中心带入公式15，计算新的目标函数值o′； 其中和步骤8：如果|o-o′|0.001或循环次数大于100次，则执行步骤9；否则执行公式16-20，然后跳转到步骤3，重复执行步骤3-8； wq＝wq′,17 步骤9：利用公式21计算出多视角全局信任值矩阵Uglobal 步骤10：比较每个目标对各个类的全局信任值将目标分配给其全局信任值最大的类步骤11：最终获得含有局部不精确性的多视角聚类结果。

全文数据：

权利要求：

百度查询： 华东师范大学 一种用于表征聚类不精确性的多视角聚类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD