导　　师： 费伦科

授予学位： 硕士

作　　者： ;

机构地区： 广东工业大学

摘　　要： 随着人工智能、大数据、物联网等技术的迅速发展，数据的多样性、异构性、复杂性越来越突出，这给传统的数据分析和处理带来了很大的挑战。在这样的背景下，多视角聚类因可以同时利用多个视角的信息，从而更全面地描述数据成为了一个备受关注的研究领域。但是在真实的应用场景中往往会因为一些不可控的环境和设备因素，导致数据缺失，这会给数据分析和处理带来困难。特别是在多视角数据中，缺失任何一个视角的信息都可能对最终的聚类结果造成影响。因此，找到一个能降低缺失造成性能下降的有效手段变成亟待解决的问题。现有的不完备多视角聚类方法虽然取得了不错的性能，但还是存在着一些缺点：在使用图正则项保留相似关系的方法中，对于缺失的信息往往简单的用零或者平均值填充，所以导致图正则项无法发挥合理的作用;在基于图的方法的共识图融合过程中，分配权重的方式往往是整个视角共用相同的权重，这无疑会导致视角间一致信息的损失。　　针对以上发现的两个缺点，本文将分别从恢复完整的图正则项以及设计更加合理的权重分配方式两个角度设计高效的不完备缺失多视角聚类算法，主要工作包括如下内容：　　(1)在多视角分析中，现有的聚类方法通常需要数据集中的数据都具有完整的视角信息，然而在真实应用场景下，样本在某些视角下往往是缺失的，这就造成现有的方法无法适应现实所需，针对这种情况本文设计了一种能够处理缺失问题的不完备多视角聚类模型。首先，使用矩阵分解技术学习各视角共识的表示矩阵。同时，为了充分利用缺失数据对以及现有数据对的相似信息，恢复了各视图完整的相似度矩阵。最后，为了保留数据的局部几何特征，使用图正则化约束共识表示矩阵。实验�

关 键 词： 不完备多视角聚类算法 矩阵分解 图正则项 权重分配 相似度图

领　　域： [自动化与计算机技术—计算机软件与理论] [自动化与计算机技术—计算机科学与技术]