基于非負矩陣分解的多視圖聚類研究.pdf

1、因為沒有強大的數據挖掘工具協(xié)助人們去理解數據，挖掘潛在的有效信息。海量未被挖掘數據中所潛藏的有效信息催促著數據挖掘技術的誕生。聚類分析是最為有力的數據挖掘工具，它自發(fā)地將數據對象聚于多個簇，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行描述，多種不同的描述為事物的多個視圖，數據為多視圖數據。隨著信息技術的發(fā)展，多視圖數據越來越多，

2、且因其包含有更多的信息量，在數據處理中越來越受到關注。雖然已有許多傳統(tǒng)的聚類算法，但是針對多視圖數據，傳統(tǒng)聚類算法無法很好的應用并產生較高質量的聚類結果，多視圖聚類應運而生。
　　非負矩陣分解(Nonnegative matrix factorization，NMF)能夠有效得將高維數據映射到低維空間，是一種有效的特征提取方法。本文以NMF為基礎，結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的潛在特征學習多視圖聚類算法，將NMF的優(yōu)點與相似度矩陣相結合，利用聯系兩者的一個系數矩陣對多視圖進行聚類，且自主學習權重，從而達到更優(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。其關鍵是在樣本相似度矩陣的約束下，通過非負矩陣分解獲得樣本之間的共有特征;當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、得樣本的互補特征。通過整合這兩個潛在的特征，對多視圖數據進行聚類，從而達到更好的聚類效果。
　　聚類集成整合一種或多種聚類算法，多次聚類結果的方法?？梢杂行岣呔垲惥取⒕垲惖姆€(wěn)定性和魯棒性。為了解決通過原始數據集獲得的基聚類結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，同時從原始數據集獲取數據的相關性，將兩者結合然后通過