刘金花,岳根霞,王 洋,贺潇磊

1(山西医科大学汾阳学院,汾阳 032200)

2(北方自动控制技术研究所,太原 030006)

1 引言

在实际应用中将来自多个源或者通过不同的采集器采集到的数据,称为是多视图数据[1].例如,我们可以通过人脸、指纹、签名或虹膜来进行人物识别；通过颜色、纹理或图注特征来表示一张图像.多视图聚类就是利用隐藏在多个视图数据中的互补信息和一致信息来提高聚类性能[2,3].最直接的方式就是将多视图数据的特征进行简单拼接,然后执行单视图聚类算法.然而,在实际应用中,特别是多媒体领域,每个视图的数据都是一个高维的特征空间,将各视图特征拼接显然会带来“维度诅咒”.另外,对于高维数据,特征分布通常更稀疏,传统欧式距离来进行相似性度量的方法根本不适用[4].为了解决这个问题,本文使用了低秩约束的方法从高维数据中学习低维的子空间,这样既缩减了计算的复杂度,也提高了对噪声数据的鲁棒性.

另外,目前的多视图聚类方法主要分为基于潜在一致信息、基于多样互补信息和综合潜在一致和互补信息三大类.这些方法都有一个共同的缺点,它们平等的对待各视图.由于各视图表征数据的能力有强弱之分,故赋予各视图不同的权重更具合理性[5].洪敏等[6]考虑到不同样本存在的“全局”信息的差异,提出了样本加权的K-means 多视图聚类算法；Xu 等[7]提出了在各视图间和视图内特征都进行加权的K-means 多视图聚类算法；……