[发明专利]一种融合特征学习的自适应快速K-means聚类方法

摘要

本发明公开一种融合特征学习的自适应快速K‑means聚类方法，首先对数据进行预处理，排除其中属性缺失、数据重复问题，对各数据属性进行归一化处理；计算数据总散度矩阵，并引入稀疏特性构造特征选择矩阵；在特征子空间上执行K‑means聚类方法，且在聚类中心更新过程中，引入自适应因子动态调节每个数据样本权重；根据聚类间的可区分信息，更新特征选择矩阵，进而筛选出最优特征子集。此种方法使得传统K‑means聚类方法能够高效地利用聚类间和聚类内的可区分信息、以及特征之间的相关性信息提高聚类的准确度，还在聚类过程中融入自适应因子，根据不同类型数据分布的特点更新聚类中心，具备较高的实用性及可扩展性，可为机器学习、计算机视觉等相关应用提供有效支持。

主权项

1.一种融合特征学习的自适应快速K‑means聚类方法，其特征在于包括如下步骤：步骤1，对待处理数据进行预处理，并对各数据属性进行归一化处理，进而获得n组包括D个特征的无标签数据X＝[x₁，x₂，…，x_n]∈R^D×n，其中x_i∈R^D×1表示第i个数据样本，i＝1，2，…，n；计算数据总散度矩阵S_t；步骤2，设定待选择的子特征数d，类别数c，平衡因子λ和自适应因子σ，初始化权重矩阵Δ为单位矩阵，并随机初始化特征选择矩阵W和聚类中心矩阵G，其中G＝[g₁，g₂，…，g_c]∈R^d×c，g_k表示第k个聚类中心向量，k＝1，2，…，c；步骤3，建立聚类模型如下：其中，F＝[f₁，f₂，…，f_n]^T∈{0，1}^n×c为类别标签矩阵，f_i表示第i个数据样本的类别标签，i＝1，2，…，n；以上模型的最优解等同于：其中，设定Δ＝diag(τ₁，τ₂，…，τ_n)为一个对角矩阵，且U＝[u₁，u₂，…，u_n]^T＝X^TW‑FG^T，则最终目标函数转化为：步骤4，求解以上目标函数，直至满足结束条件，输出特征选择矩阵W，聚类中心矩阵G及类别标签矩阵F。