基于相关熵和流形正则化的图像聚类
Image clustering based on correntropy and manifold regularization作者机构:烟台大学计算机与控制工程学院烟台264005
出 版 物:《南京大学学报(自然科学版)》 (Journal of Nanjing University(Natural Science))
年 卷 期:2022年第58卷第3期
页 面:469-482页
核心收录:
学科分类:08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金(62072391,62172351) 山东省自然科学基金(ZR2020MF148)。
主 题:非负矩阵分解 相关熵 流形正则化 半二次优化技术 图像聚类
摘 要:近年来,聚类作为机器学习、数据挖掘等领域的基本问题受到广泛的关注及研究,然而数据中普遍存在的噪声和异常值严重影响聚类结果.提出一个基于相关熵和流形正则化的聚类框架CRNMF(Correntropy and Manifold Regularization Non-Negative Matrix Factorization).首先,采用基于相关熵的非负矩阵分解(Non-Negative Matrix Factorization,NMF)作为损失函数来抑制非高斯噪声和异常值的影响;其次,充分考虑数据的结构信息,采用流形正则化学习数据的局部结构,并通过l2,1-范数对非负矩阵进行稀疏约束;最后,利用半二次优化技术(Half-Quadratic Optimization Technique,HQ)进行优化,并分析了收敛性和计算复杂度.在五个图像数据集上进行测试,实验结果表明,提出的框架在图像聚类任务中具有较好的有效性和鲁棒性.