基于非負(fù)矩陣分解的多視圖聚類研究.pdf

1、因為沒有強(qiáng)大的數(shù)據(jù)挖掘工具協(xié)助人們?nèi)ダ斫鈹?shù)據(jù)，挖掘潛在的有效信息。海量未被挖掘數(shù)據(jù)中所潛藏的有效信息催促著數(shù)據(jù)挖掘技術(shù)的誕生。聚類分析是最為有力的數(shù)據(jù)挖掘工具，它自發(fā)地將數(shù)據(jù)對象聚于多個簇，使同一個簇中的對象之間相似程度越大，使不同簇中的對象具有更大的差異度。在描述一些實際問題的過程中，同一個事物可以從不同的途徑、不同的角度或者不同的形式進(jìn)行描述，多種不同的描述為事物的多個視圖，數(shù)據(jù)為多視圖數(shù)據(jù)。隨著信息技術(shù)的發(fā)展，多視圖數(shù)據(jù)越來越多，

2、且因其包含有更多的信息量，在數(shù)據(jù)處理中越來越受到關(guān)注。雖然已有許多傳統(tǒng)的聚類算法，但是針對多視圖數(shù)據(jù)，傳統(tǒng)聚類算法無法很好的應(yīng)用并產(chǎn)生較高質(zhì)量的聚類結(jié)果，多視圖聚類應(yīng)運而生。
　　非負(fù)矩陣分解(Nonnegative matrix factorization，NMF)能夠有效得將高維數(shù)據(jù)映射到低維空間，是一種有效的特征提取方法。本文以NMF為基礎(chǔ)，結(jié)合多視圖聚類與聚類集成，提出了兩種多視圖聚類算法和一種聚類集成算法。
　　基

3、于NMF的潛在特征學(xué)習(xí)多視圖聚類算法，將NMF的優(yōu)點與相似度矩陣相結(jié)合，利用聯(lián)系兩者的一個系數(shù)矩陣對多視圖進(jìn)行聚類，且自主學(xué)習(xí)權(quán)重，從而達(dá)到更優(yōu)的聚類效果?；贜MF的潛在特征整合多視圖聚類算法設(shè)置了一個樣本相似度矩陣來表示樣本之間的相似度，和一個基相似度矩陣來衡量樣本各維度之間的相似性。其關(guān)鍵是在樣本相似度矩陣的約束下，通過非負(fù)矩陣分解獲得樣本之間的共有特征;當(dāng)樣本間共用一個基空間時，樣本之間的差異被最大化，在基相似度矩陣的約束下，獲

4、得樣本的互補(bǔ)特征。通過整合這兩個潛在的特征，對多視圖數(shù)據(jù)進(jìn)行聚類，從而達(dá)到更好的聚類效果。
　　聚類集成整合一種或多種聚類算法，多次聚類結(jié)果的方法。可以有效提高聚類精度、聚類的穩(wěn)定性和魯棒性。為了解決通過原始數(shù)據(jù)集獲得的基聚類結(jié)果存在一定的信息丟失，使得集成階段的有效信息減少的問題，提出了一種基于NMF的K-means聚類集成算法。該算法先通過K-means聚類算法獲取集成信息，同時從原始數(shù)據(jù)集獲取數(shù)據(jù)的相關(guān)性，將兩者結(jié)合然后通過