在多视图聚类问题中,视图间的互补性信息与差异性信息会给聚类效果带来影响;同时样本点包含的重要性信息不同,也会对聚类效果产生不同的干扰。现有方法有些没有充分利用视图间的互补性信息,或者没有利用各视图间的差异性信息和样本点中...在多视图聚类问题中,视图间的互补性信息与差异性信息会给聚类效果带来影响;同时样本点包含的重要性信息不同,也会对聚类效果产生不同的干扰。现有方法有些没有充分利用视图间的互补性信息,或者没有利用各视图间的差异性信息和样本点中的重要性信息,导致聚类效果不佳。针对上述问题,本文提出基于自相关矩阵的自适应多视图融合聚类算法(Adaptive Multi-view-fusion Clustering based on Self-correlative Matrix,AMCSM)。首先,使用特征直连技术,以更好地利用视图间的互补性信息;其次,使用自动权重机制为各视图自适应地分配适当的权重,以充分利用视图间的差异性信息;最后,对各视图施加对角的加权矩阵,并联合自相关矩阵以充分利用样本点中的重要性信息。设计统一的多步迭代框架将上述优化方案整合一起,使视图互补性信息、视图差异性信息与样本点重要性信息在迭代过程中相互促进、相互学习。实验结果表明,在灵敏度、精准度、特异度、调整兰德系数和马修斯相关系数等评价指标上,本文所提算法均取得优良结果且更具鲁棒性。展开更多
1.Introduction The reproduction systems of 3D images without using eyeglasses and other special accessories has always attracted attention and aroused great interest of developers and consumers of such equipment becau...1.Introduction The reproduction systems of 3D images without using eyeglasses and other special accessories has always attracted attention and aroused great interest of developers and consumers of such equipment because of totally accurate image and method of its presentation.Such systems can展开更多
文摘在多视图聚类问题中,视图间的互补性信息与差异性信息会给聚类效果带来影响;同时样本点包含的重要性信息不同,也会对聚类效果产生不同的干扰。现有方法有些没有充分利用视图间的互补性信息,或者没有利用各视图间的差异性信息和样本点中的重要性信息,导致聚类效果不佳。针对上述问题,本文提出基于自相关矩阵的自适应多视图融合聚类算法(Adaptive Multi-view-fusion Clustering based on Self-correlative Matrix,AMCSM)。首先,使用特征直连技术,以更好地利用视图间的互补性信息;其次,使用自动权重机制为各视图自适应地分配适当的权重,以充分利用视图间的差异性信息;最后,对各视图施加对角的加权矩阵,并联合自相关矩阵以充分利用样本点中的重要性信息。设计统一的多步迭代框架将上述优化方案整合一起,使视图互补性信息、视图差异性信息与样本点重要性信息在迭代过程中相互促进、相互学习。实验结果表明,在灵敏度、精准度、特异度、调整兰德系数和马修斯相关系数等评价指标上,本文所提算法均取得优良结果且更具鲁棒性。
文摘1.Introduction The reproduction systems of 3D images without using eyeglasses and other special accessories has always attracted attention and aroused great interest of developers and consumers of such equipment because of totally accurate image and method of its presentation.Such systems can
