贺艳芳，梁书田

(1.广东理工学院 信息工程学院，广东 肇庆 526100；2.河南理工大学 电气工程与自动化学院，河南 焦作 454000)

1 概 述

传统的聚类算法根据数据集中存在的特征将未知的数据样本进行划分，它根据这些特征按照某种相似性度量，使同一类的数据集具有相似性，而不同类的数据集尽可能不相似。目前较为传统的聚类算法包括基于划分的方法[1]、基于层次的方法[2]、基于网格的方法[3]和基于密度的方法[4]等。这些常见的聚类算法均是围绕单一视角的聚类分析。然而当前信息技术的发展越来越快，人们在现实世界会遇到越来越多具有重要意义的多特征数据，即又称为多视角数据。多视角数据存在于社会、经济和科学等方面。例如在医学上，通过不同的视角来描述红核细胞的密度、颜色、纹理、几何特征等不同的特征，其中每个视角表示数据集的一种不同的度量值。多视角聚类通过分析同一数据簇的不同特征，利用特征之间的相似性成分，协调处理这些关系，让多视角中的多特征形成互补，得到尽可能一致的聚类结果[5]。

经过对传统聚类分析方法的研究，挖掘出更有效的多视角聚类技术，该技术在聚类过程中使得具有多特征的多视角数据在聚类过程中协同学习，解决了复杂数据多特征问题。传统聚类算法可能仅仅能处理复杂数据的一个特征，而早期的多视角聚类技术是考虑数据的每个视角，将每个视角作为独立的聚类任务进行处理，在得到每个视角对应的聚类结果后，再利用集成学习机制选择一个合适的集成学习策略将多个视角结果进行集成，进而得到最终的聚类结果[6-7]。……