(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210979979.6 (22)申请日 2022.08.16 (71)申请人 哈尔滨工业大 学 （深圳） 地址 518000 广东省深圳市南 山区桃源街 道深圳大 学城哈尔滨工业大 学校区 (72)发明人 文杰　刘成亮　刘毅成　邓世杰　 (74)专利代理 机构 深圳市添源创鑫知识产权代 理有限公司 4 4855 专利代理师 覃迎峰 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/77(2022.01) (54)发明名称 基于局部结构与平衡感知的不完备多视图 聚类方法及系统 (57)摘要 本发明公开了一种基于局部结构与平衡感 知的不完 备多视图聚类方法及系统， 包括针对不 完备多视图数据的聚类任务， 设计基于局部结构 与平衡感知 的具有概率特性的不完备多视图一 致聚类表征学习模型； 对 给定视图缺失先验位置 索引矩阵的不完备多视图数据进行预处理； 根据 预处理后的数据、 基于不完备多视图一致聚类表 征学习模型中含有的变量设计基于交替迭代优 化的方法求解变量， 达到模型优化的目的， 利用 优化后得到的最优共享一致表征矩 阵得到所有 样本的聚类结果。 本发明方法所设计的模型是一 个具有可解释性、 高效率、 聚类结果稳定的不完 备多视图聚类模型。 权利要求书5页 说明书16页 附图3页 CN 115311483 A 2022.11.08 CN 115311483 A 1.一种基于局部结构与平衡感知的不完备多视图聚类方法， 其特征在于， 包括以下步 骤： 建立模型： 对于不完备多视 图数据的聚类任务， 设计基于局部结构与平衡感知的具有 概率特性的不完备多视图一 致聚类表征 学习模型， 模型 具体为： s.t.U(v)TU(v)＝I,1≥αv≥0, 1≥P≥0,PT1＝1 其中， 表示第v个视角的基矩阵， mv表示第v个视图的特征维度， d表 示一致表 征空间的维度， P∈Rd×n表示不完备多 视图数据的共享一致表征矩阵， n表示不完备多 视图数 据的总样本数， α ＝[α1,..., αl]是一个可学习的权重向量， 1∈Rd表示元素值都为1 的d维列 向量， αv表示向量α 中 的第v个元素， r是不小于2的正整数， 表示向量α 中元素αv的r次幂， λ 是惩罚项参数， l表示视图个数， nv表示第v个视图未缺失的样本个数， I为单位矩阵， Ii,j表 示单位矩阵的第(i,j)行列位置的元素值， 表示第i个样本和第j个样本的第v个视图之 间的相似度关系， 表示矩阵X(v)的第i列向量， 表示第v个视图未缺失样例所组 成的矩阵集 合， 表示矩阵G(v)的第j列向量， 为0、 1二值矩阵； 数据预处理： 对给定视图缺失先验位置索引矩阵Z的不完备多视图数据 进行预 处理； 优化模型： 根据预处理后的数据和不完备多视 图一致聚类表征学习模型， 针对模型中 含有的变量 P、 α 以及引入的辅助变量Q、 拉格朗日乘子C和正惩罚参数 μ， 设计基于交 替迭代优化的方法求 解变量， 达 到模型优化的目的， 其中： 求解U(v)的优化问题： 得到变量U(v)的最优解为U(v)＝ M(v)N(v)T， 其中M(v)∑(v)N(v)T为X(v)S(v)TG(v)TPT的奇异值分解等价形式， S(v)＝W(v)+I， 为预构建的相似图矩阵； 求解P的优化问题： 得到变 量 P 的 最 优 解 为 ： 其 中 μ>0为正惩罚参数， C 为拉格朗日乘子， Q为辅助变 量且P＝Q， c表示矩阵P的行 数；权　利　要　求　书 1/5 页 2 CN 115311483 A 2求解Q的优化问题： 得到变量Q的最优解为： Q＝( μP+C)(11T + μI)‑1； 求解α 的优化问题： 得到变量α 的最优解 为： 其中， C和 μ 的更新公式为： 其中ρ 和 μ0为常量； 聚类过程： 利用优化后得到的最优共享一致表征矩阵P得到数据的聚类结果， 具体包 括： 根据 若第i列P:,i中第j个元素值最大， 那么就将第i个样 本划分到第 j个类别， 通过求取表征矩阵P每一列最大元素值对应的位置 即可得到所有样本 的聚类结果。 2.根据权利要求1所述的基于局部结构与平衡感知的不完备多视图聚类方法， 其特征 在于， 为0、 1二值矩阵， 用于保留矩阵P中与X(v)对应的样本表征， 矩阵G(v)根据视图 缺失先验位置索引矩阵Z构建， 具体构建方式如下： 3.根据权利要求2所述的基于局部结构与平衡感知的不完备多视图聚类方法， 其特征 在于， 对给定视图缺失先验位置索引矩阵Z的不完备多视图数据 进行预处理， 具体 步骤包括： 缺失视图删除： 根据视图缺失先验位置索引矩阵Z， 删除每个视图中的缺失样例， 得到 未缺失数据集 合 数据归一化： 对 进行归一化预 处理， 计算方式为 其中 表示矩阵X (v)的第i列向量； 局部近邻图 构建： 针对每个视图的未缺失数据X(v)， 利用高斯核计算每个样本与 k个最近邻样本之间距离， 计算方 式为 其中 为样例 的k个近邻之一， W (v)中其他非近邻元 素设置为0； 根据视图缺失先验位置索引矩阵Z构建转换矩阵 4.一种基于局部结构与平衡感知的不完备多视图聚类系统， 其特征在于， 所述系统包权　利　要　求　书 2/5 页 3 CN 115311483 A 3