基于非负矩阵分解的均方残差多视图聚类算法

来源：计算机技术与发展杂志2023年第12期北京时间：

作者：郝敬琪;胡立华;张素兰;张继福

单位：太原科技大学 计算机科学与技术学院,山西 太原 030024 Author(s): HAO Jing-qi;HU Li-hua;ZHANG Su-lan;ZHANG Ji-fu School of Computer Science and Technology,Taiyuan University of Science and Technology,Taiyuan 030024,China 关键词: 均方残差;非负矩阵分解;流行正则化;希尔伯特-施密特独立性准则;谱聚类 Keywords: mean squared residue;non -negative matrix factorization;manifold regularization;Hilbert - Schmidt independence criterion;spectral clustering 分类号: TP391 DOI: 10. 3969 / j. issn. 1673-629X. 2023. 12. 009 摘要: 针对高维海量数据,现有的多视图聚类方法存在无法发现高维视图隐藏信息、聚类效果差等问题。 结合均方残差( Mean Squared Residue,MSR) 思想,提出了一种基于非负矩阵分解的均方残差多视图聚类方法(Mean Squared Residue Non-negative Matrix Factorization,MSRNMF)。 首先,采用改进的非负矩阵分解方法结合流形学习、希尔伯特-施密特独立性准则计算各单视图的系数矩阵,不仅降低了多视图中各个视图的维度,而且有效地提取了高维数据中的隐藏信息;其次,采用谱聚类算法对各单视图的系数矩阵进行聚类,获得单视图聚类簇;接着,利用均方残差思想,针对各单视图聚类结果进行融合,得到最终多视图聚类结果;最后,以标准数据集和古建数据集为对象进行验证,实验结果表明该算法在精度上优于 MVCF,GPSNMF,GPMVNMF,DMF 和 MCLES, 在古建筑集上效果明显,进而验证了算法的有效性。

摘要：针对高维海量数据,现有的多视图聚类方法存在无法发现高维视图隐藏信息、聚类效果差等问题。 结合均方残差( Mean Squared Residue,MSR) 思想,提出了一种基于非负矩阵分解的均方残差多视图聚类方法(Mean Squared Residue Non-negative Matrix Factorization,MSRNMF)。 首先,采用改进的非负矩阵分解方法结合流形学习、希尔伯特-施密特独立性准则计算各单视图的系数矩阵,不仅降低了多视图中各个视图的维度,而且有效地提取了高维数据中的隐藏信息;其次,采用谱聚类算法对各单视图的系数矩阵进行聚类,获得单视图聚类簇;接着,利用均方残差思想,针对各单视图聚类结果进行融合,得到最终多视图聚类结果;最后,以标准数据集和古建数据集为对象进行验证,实验结果表明该算法在精度上优于 MVCF,GPSNMF,GPMVNMF,DMF 和 MCLES, 在古建筑集上效果明显,进而验证了算法的有效性。

关键词：均方残差;非负矩阵分解;流行正则化;希尔伯特-施密特独立性准则;谱聚类