检索结果-南通市图书馆

CMvSC:知识迁移下的深度一致性多视图谱聚类网络

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

软件学报 2022年第4期33卷 1373-1389页

作者：张熠玲杨燕周威欧阳小草胡节西南交通大学计算机与人工智能学院四川成都611756

谱聚类是聚类分析中极具代表性的方法之一,由于其对数据结构没有太多假设要求,受到了研究者们的广泛关注.但传统的谱聚类算法通常受到谱嵌入的可扩展性和泛化性的限制,即:无法应对大规模设置和复杂数据分布.为克服以上缺陷,旨在引入深... 详细信息

谱聚类是聚类分析中极具代表性的方法之一,由于其对数据结构没有太多假设要求,受到了研究者们的广泛关注.但传统的谱聚类算法通常受到谱嵌入的可扩展性和泛化性的限制,即:无法应对大规模设置和复杂数据分布.为克服以上缺陷,旨在引入深度学习框架提升谱聚类的泛化能力与可扩展能力,同时,结合多视图学习挖掘数据样本的多样性特征,从而提出一种知识迁移下的深度一致性多视图谱聚类网络(CMvSC).首先,考虑到单个视图的局部不变性,CMvSC采用局部学习层独立学习每个视图的特有嵌入;其次,由于多视图具有全局一致性,CMvSC引入全局学习层进行参数共享与特征迁移,学习多视图间的共享嵌入;同时,考虑到邻接矩阵对谱聚类性能的重要影响,CMvSC通过训练孪生网络和设计对比损失来学习成对数据间的近邻关系,以替代传统谱聚类算法中的距离度量;最后,4个数据集上的实验结果证明了CMvSC对多视图谱聚类任务的有效性.

关键词：谱嵌入近邻学习知识迁移多视图聚类深度聚类

基于多视图聚类算法的三维流场关键点附近的流线筛选

在线全文

学校读者我要写书评

暂无评论

计算机辅助设计与图形学学报 2022年第12期34卷 1930-1942页

作者：黄智濒傅广涛曹凌婧刘小萌禹旻杨武兵北京邮电大学计算机学院(国家示范性软件学院) 北京100876 中国航天空气动力技术研究院第一研究所四室北京100074

在关键点周围进行流线可视化时,流场特征复杂多样以及流线之间可能存在共点或对称性等情况,可能导致常规的基于几何或相似性的筛选方法失效.为此,提出了基于数据驱动思想的关键点周围的流线筛选方法MvCcp,它是基于多视图聚类算法的流线... 详细信息

在关键点周围进行流线可视化时,流场特征复杂多样以及流线之间可能存在共点或对称性等情况,可能导致常规的基于几何或相似性的筛选方法失效.为此,提出了基于数据驱动思想的关键点周围的流线筛选方法MvCcp,它是基于多视图聚类算法的流线筛选方法,通过对流场进行不同粒度的体素化,生成流线的位置视图和基于距离场直方图的特征视图数据,并通过多视图聚类算法进行流线筛选.针对HalfCylinder等6个典型的关键点周围的三维流场,与其他3种典型的流线筛选方法进行了定性可视化比较,并基于MSE,PSNR,SSIM,AAD等定量指标进行对比实验表明,MvCcp在所有实验中具有更出色和更稳定的表现.

关键词：流场可视化体素化距离场关键点多视图聚类

在线全文

学校读者我要写书评

暂无评论

基于分布对齐变分自编码器的深度多视图聚类

计算机学报 2023年第5期46卷 945-959页

作者：谢胜利陈泓达高军礼彭玺尹明广东工业大学自动化学院广州510006 四川大学计算机学院成都610065 华南师范大学半导体科学与技术学院广东佛山528225 物联网智能信息处理及系统集成教育部重点实验室广州510006 粤港澳离散制造智能化联合实验室广州510006

多视图聚类(Multi-View Clustering,MVC)旨在利用不同视图间的一致性和互补性来高效处理多视图数据,是大数据分析中重要的研究方向之一.然而,现有方法无法有效学习到多视图信息间的潜在联系,且缺乏考虑视图重要性差异问题.针对上述这些... 详细信息

多视图聚类(Multi-View Clustering,MVC)旨在利用不同视图间的一致性和互补性来高效处理多视图数据,是大数据分析中重要的研究方向之一.然而,现有方法无法有效学习到多视图信息间的潜在联系,且缺乏考虑视图重要性差异问题.针对上述这些问题,本文提出了一种基于分布对齐变分自编码器的深度多视图聚类方法(Deep Multi-View Clustering based on Distribution Aligned Variational Autoencoder,DMVCDA).首先,针对特定视图我们利用多个变分自编码器从不同视图中提取潜在特征,并对特征的分布进行对齐,以挖掘包含基本信息的潜在特征;然后,引入视图权重参数,获取共享的潜在特征;最后,在潜在特征上建立面向聚类的损失目标,使得学习到的潜在特征更适合聚类任务,从而提高聚类精度.在五个公共多视图数据集上的实验结果表明,我们的模型在精确度(ACC)、标准互信息(NMI)和纯度(Purity)等多个聚类评价指标上均表现出优异的性能.

关键词：多视图聚类深度学习变分自编码器加权融合对齐

在线全文

学校读者我要写书评

暂无评论

基于概念分解的显隐空间协同多视图聚类算法

模式识别与人工智能 2023年第2期36卷 160-173页

作者：胡素婷沈宗鑫黄倩倩黄雁勇西南财经大学统计学院成都611130 西南交通大学计算机与人工智能学院成都611756 西南民族大学计算机科学与工程学院成都610041

多视图聚类通过整合不同视图的特征以提升聚类性能.现有的多视图聚类更多地关注数据不同的低维表示方式和其在隐式空间的几何结构,而忽略数据样本在不同空间的结构关系,未同时考虑不同空间的聚类.为此,文中提出基于概念分解的显隐空间... 详细信息

多视图聚类通过整合不同视图的特征以提升聚类性能.现有的多视图聚类更多地关注数据不同的低维表示方式和其在隐式空间的几何结构,而忽略数据样本在不同空间的结构关系,未同时考虑不同空间的聚类.为此,文中提出基于概念分解的显隐空间协同多视图聚类算法.首先,通过概念分解获取不同视图在隐式空间中的一个共同的低维特征表示,并利用图拉普拉斯正则化约束保持原始数据的局部结构不变.然后,将数据在显式空间中的聚类和隐式空间中的聚类整合到一个共同的框架中,进行协同学习和优化,得到最终的聚类结果.在8个真实数据集上的实验表明文中算法性能较优.

关键词：多视图聚类协同训练概念分解拉普拉斯正则化

基于非负正交矩阵分解的多视图聚类图像分割算法

在线全文

学校读者我要写书评

暂无评论

模式识别与人工智能 2023年第6期36卷 556-571页

作者：张荣国曹俊辉胡静张睿刘小君太原科技大学计算机科学与技术学院太原030024 合肥工业大学机械工程学院合肥230009

多视图聚类在应对非线性结构数据上具有一定优势,却存在需要后处理和时间效率较低等缺点.针对这一问题,文中提出基于非负正交矩阵分解的多视图聚类图像分割算法.首先,提取图像多视图数据,使用流形学习非线性降维方法获取每个视图的谱嵌... 详细信息

多视图聚类在应对非线性结构数据上具有一定优势,却存在需要后处理和时间效率较低等缺点.针对这一问题,文中提出基于非负正交矩阵分解的多视图聚类图像分割算法.首先,提取图像多视图数据,使用流形学习非线性降维方法获取每个视图的谱嵌入矩阵,构建相应的谱块结构.再设计自适应权值,将谱块结构融合成一致性图矩阵.然后,对一致性图矩阵进行非负正交矩阵分解,获取非负嵌入矩阵.最后,由非负嵌入矩阵获得多视图特征的聚类,进而得到图像分割结果.在5个数据集上的对比实验表明,文中算法在分割精度和时间效率上都有一定提升.

关键词：流形学习谱结构融合非负正交矩阵分解图像分割多视图聚类

在线全文

学校读者我要写书评

暂无评论

多视图聚类算法研究

多视图聚类算法研究

作者：管娇娇江南大学

学位级别：硕士

越来越多的样本可以通过多个视图的不同特征来表示,数据的多样性和维数日益增长,单视图聚类算法研究已经接近瓶颈。基于特征相互补充的假设,多视图聚类可以有效组合异构特征,将数据点划分到不同的类别中,从而获得更优的聚类。本文从多... 详细信息

越来越多的样本可以通过多个视图的不同特征来表示,数据的多样性和维数日益增长,单视图聚类算法研究已经接近瓶颈。基于特征相互补充的假设,多视图聚类可以有效组合异构特征,将数据点划分到不同的类别中,从而获得更优的聚类。本文从多个角度研究多视图聚类,并对多视图聚类算法进行改进,具体研究如下:(1)提出一种基于格拉斯曼流形融合子空间的多视图聚类算法。现有的多视图聚类算法在学习子空间时,假设多视图数据点之间存在线性关系,或者在学习的过程中无法保留原始特征空间的局部性。此外,在欧氏空间中将不同视图的子空间表示直接融合过于死板,无法将学习到的子空间表示对齐。基于格拉斯曼流形融合子空间的多视图聚类算法可以有效解决上述问题,该算法由以下三部分构成:一是将核学习和局部流形结构学习相结合得到不同视图的子空间表示,核学习能将原始特征空间中的非线性数据映射到高维核空间中,局部流形结构能使原始特征空间相近的数据在表示空间中也相近;二是在格拉斯曼流形上融合这些子空间表示得到一致性亲和矩阵,促进各视图对应的子空间表示矩阵对齐;三是对一致性亲和矩阵施加秩约束,使一致性亲和矩阵的连通分量数等于聚类个数,促进样本直接划分到聚类中。将这三部分整合到一个框架中,利用交替方向乘子法求解约束优化问题,算法在8个基准数据集上取得了较好的效果。(2)提出一种基于分区融合和张量表示的多视图聚类算法。现有的多视图聚类算法在集成多视图信息时忽略了多视图数据存在的噪声和多视图异构特征之间的不一致,在融合多视图信息时平等地对待每一个视图,不能充分考虑视图的权重差异,或者在学习的过程中忽略了多视图的高阶相关信息。基于分区融合和张量表示的多视图聚类算法能有效解决上述问题,该算法由三个部分组成:一是将核学习和局部流形结构相结合得到每个视图的子空间表示,通过自适应权重学习衡量不同视图的重要性;二是根据子空间表示生成对应的分区空间,分区矩阵比子空间表示矩阵有更清晰的聚类信息;三是将分区矩阵重组为一个三阶张量,在张量上施加张量核范数来捕获多视图的高阶相关性。将分区空间学习和张量低秩表示统一到一个框架中,设计了一种有效的优化算法来解决优化问题,算法在12个基准数据集上取得了较优的聚类结果。(3)空气质量是决定一个城市发展的重要依据,多视图聚类算法可以应用到空气质量分析中。首先,分析影响空气质量的因素并收集相关数据,对数据进行预处理得到多视图数据集。然后,将本文提出的两种多视图算法应用到数据集上进行空气质量分析。与11种对比算法进行比较,实验结果表明本文算法具有良好的性能,有一定的实用价值。

关键词：多视图聚类格拉斯曼流形分区空间张量核范数空气质量分析

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

动态融合的多视图投影聚类算法

计算机科学与探索 2023年第5期17卷 1147-1156页

作者：姜凯彬周世兵钱雪忠管娇娇江南大学人工智能与计算机学院江苏无锡214122

多视图聚类是一个日益受到关注的研究热点。现有的大多数多视图聚类方法通常先对数据进行图学习,再对融合得到的统一图进行聚类得到最终结果,这种图学习和图聚类的两步策略可能导致聚类结果具有随机性。此外,多视图数据本身存在不可避... 详细信息

多视图聚类是一个日益受到关注的研究热点。现有的大多数多视图聚类方法通常先对数据进行图学习,再对融合得到的统一图进行聚类得到最终结果,这种图学习和图聚类的两步策略可能导致聚类结果具有随机性。此外,多视图数据本身存在不可避免的噪声并且各视图数据差异较大,在原始高维数据空间进行无效融合可能造成重要信息的损失,不同多视图数据也可能存在选择参数敏感的问题。为了解决上述问题,提出了一种动态融合的多视图投影聚类算法,将自适应降维图学习、无参数的自权重图融合和谱聚类整合在同一框架中,三个过程相互促进,联合优化投影矩阵、相似性矩阵、共识矩阵以及聚类标签。对动态融合过程中得到的共识矩阵的拉普拉斯矩阵施加秩约束,直接获得聚类结果。而且引入的启发式超参数会随着每次优化迭代自动调整。为了求解联合优化问题,设计了一种有效的交替迭代方法。在人工数据集和真实数据集上得到的实验结果表明该算法的优越性。

关键词：多视图聚类投影降维图融合共识矩阵

在线全文

学校读者我要写书评

暂无评论

基于特征选择与鲁棒图学习的多视图聚类

计算机工程 2022年第12期48卷 95-103页

作者：黄奕轩杜世强余瑶肖庆江宋金梅西北民族大学数学与计算机科学学院兰州730030 西北民族大学中国民族信息技术研究院兰州730030

现有的多视图聚类方法大多直接在原始数据样本上构建各视图的相似图,而原始数据中的冗余特征和噪声会导致聚类精度下降。针对该问题,基于特征选择和鲁棒图学习提出多视图聚类算法FRMC。在自适应选择不同视图特征时降低数据维度,减少冗... 详细信息

现有的多视图聚类方法大多直接在原始数据样本上构建各视图的相似图,而原始数据中的冗余特征和噪声会导致聚类精度下降。针对该问题,基于特征选择和鲁棒图学习提出多视图聚类算法FRMC。在自适应选择不同视图特征时降低数据维度,减少冗余特征,同时利用自表示学习获取数据的表示系数,滤除噪声影响并得到数据样本的全局结构,从而去除样本中的噪声和离群点。在此基础上,通过自适应近邻学习构造样本鲁棒图,利用鲁棒图矩阵的加权和构建最终的亲和图矩阵,提出一种基于增广拉格朗日乘子的交替迭代算法对目标函数进行优化。在6个不同类型的标准数据集上进行实验,与SC、RGC、AWP等算法的对比结果表明,FRMC算法能够有效提升聚类精度且具有较好的收敛性与鲁棒性。

关键词：多视图聚类特征选择自表示学习自适应近邻学习亲和图矩阵

在线全文

学校读者我要写书评

暂无评论

改进的自步深度不完备多视图聚类

数据采集与处理 2022年第5期37卷 1036-1048页

作者：崔金荣黄诚华南农业大学数学与信息学院广州510642 广州市智慧农业重点实验室广州510642

随着数据量的增大,多视图聚类中出现带有缺失视图数据的情况愈发常见,此问题被称为不完备多视图聚类,而引入深度模型进行聚类通常可以获得比浅层模型更为出色的表现。本文提出一种新颖的深度不完备多视图聚类模型,称为改进的自步深度不... 详细信息

随着数据量的增大,多视图聚类中出现带有缺失视图数据的情况愈发常见,此问题被称为不完备多视图聚类,而引入深度模型进行聚类通常可以获得比浅层模型更为出色的表现。本文提出一种新颖的深度不完备多视图聚类模型,称为改进的自步深度不完备多视图聚类。在该模型中,充分考虑多视图数据之间的互补性,利用基于多视图特性的最近邻填充方案将缺失视图补全。使用多个自编码器分别获取多个视图数据的低维潜在特征,同时引入图嵌入策略保持潜在特征之间的几何结构。运用一致性原则将来自不同的视图潜在特征融合以获得一致潜在特征,在此基础上运用自步学习的方法来增强聚类效果。实验结果表明,对比现有的不完备多视图聚类模型,本文模型可以更加灵活且高效地应对各种不完备多视图聚类情况,提升了不完备多视图聚类的鲁棒性与表现效果。

关键词：聚类深度聚类多视图聚类缺失多视图图嵌入