[发明专利]一种基于鲁棒的对称非负矩阵分解的微生物数据聚类方法

权利要求书

1.一种基于鲁棒的对称非负矩阵分解的微生物数据聚类方法，其特征在于，具体步骤包括如下：

采集样本数据；

对所述样本数据构建样本相似性矩阵；

利用相似性网络融合算法来整合所述样本相似性矩阵，获得融合矩阵；

通过鲁棒的对称非负矩阵分解算法对所述融合矩阵进行聚类，为所述样本数据分配标签。

2.根据权利要求1所述的一种基于鲁棒的对称非负矩阵分解的微生物数据聚类方法，其特征在于，对于微生物组数据，采用高斯核函数构建样本相似性矩阵，公式为：

其中，v_i表示第i个样本，w_ij表示样本i与样本j之间的相似性，||v_i-v_j||_F为F范式，μ表示参数，μ＝0.5，σ_ij表示缩放参数，E_ij表示第i个节点与第j个节点之间的距离，mean(E(j,N_j))表示第i个节点与其邻居之间距离的均值。

3.根据权利要求1所述的一种基于鲁棒的对称非负矩阵分解的微生物数据聚类方法，其特征在于，所述相似性网络融合算法的具体计算步骤为：

通过所述样本相似性矩阵得到标准化的亲邻矩阵；

利用KNN算法定义核矩阵；

以所述标准化的亲邻矩阵作为初始阶段，结合所述核矩阵，迭代更新亲邻矩阵，得到所述融合矩阵。

4.根据权利要求3所述的一种基于鲁棒的对称非负矩阵分解的微生物数据聚类方法，其特征在于，所述标准化的亲邻矩阵的计算公式为：

其中，w_ij表示样本i与样本j之间的相似性，w_ik表示样本i与样本k之间的相似性。

5.根据权利要求4所述的一种基于鲁棒的对称非负矩阵分解的微生物数据聚类方法，其特征在于，所述核矩阵的公式为：

其中，N_i表示第i个样本的邻域。

6.根据权利要求4所述的一种基于鲁棒的对称非负矩阵分解的微生物数据聚类方法，其特征在于，迭代更新亲邻矩阵的公式为：

其中，j是视角的数量，M^v表示第i个视角的核矩阵。

7.根据权利要求6所述的一种基于鲁棒的对称非负矩阵分解的微生物数据聚类方法，其特征在于，所述融合矩阵的公式为：

8.根据权利要求7所述的一种基于鲁棒的对称非负矩阵分解的微生物数据聚类方法，其特征在于，所述鲁棒的对称非负矩阵分解算法的公式为：

其中，S为对称矩阵，H、H^T为低秩矩阵。