(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 202211130538.5
(22)申请日 2022.09.15
(71)申请人 南昌大学
地址 330031 江西省南昌市红谷滩区学府
大道999号
(72)发明人 李春泉 郑波钰 王子航 王咏鹤
王子韬 张良强 李志焌 陈利民
(74)专利代理 机构 南昌朗科知识产权代理事务
所(普通合伙) 36134
专利代理师 郭毅力 郭显文
(51)Int.Cl.
G06V 10/762(2022.01)
G06V 10/77(2022.01)
G06F 17/16(2006.01)
G06F 17/13(2006.01)G06N 3/04(2006.01)
G06N 3/00(2006.01)
(54)发明名称
一种基于神经动力学的图像非负矩阵分解
聚类方法
(57)摘要
一种基于神经动力学的图像非负矩阵分解
聚类方法, 包括: 1)构建原始数据矩阵; 2)构建稀
疏图正则非负低秩矩阵分解模型; 3)对原始数据
矩阵进稀疏图正则非负低秩矩阵分解; 4)基于K ‑
means算法进行聚类。 本发明优 点: 1、 稀疏图正则
非负低秩矩阵分解通过添加图正则化项, 维护了
高维数据在低维空间表示的几何构型, 通过施加
低秩约束和稀 疏约束, 保证了分解所得基矩阵的
稀疏性质; 提取到了更多的有效信息, 减少了信
息冗余, 降低了计算难度; 2、 将神经动力学优化
方法VF‑CNO引入到稀疏图正则非负矩阵低秩矩
阵分解模型的求解问题中, 提高了模 型的求解精
度。 本发明拥有更好的降维效果, 并在图像聚类
任务中表现出 更好的聚类性能。
权利要求书4页 说明书11页 附图3页
CN 115471689 A
2022.12.13
CN 115471689 A
1.一种基于神经动力学的图像非负矩阵分解聚类方法, 其特 征是按以下步骤:
步骤1: 构建数据原始矩阵: 将图像数据集中的图像向量化, 基于此构建一个非负原始
数据矩阵V=[v1,v2,…,vn]∈Rm×n, 其中m为图像样本的维数, n 为图像样本的个数;
步骤2: 构建稀疏图正则非负低秩矩阵分解模型如下:
s.t.L=WH
L,W,H≥0
||wj||1=1,j=1, …,r
card(S)≤s,ran k(L)≤l
其中, W∈Rm×r是基矩阵, H∈Rr×n是系数矩阵, L∈Rm×n是低秩矩阵, S∈Rm×n是稀疏矩阵, l
表示矩阵L秩的范围集, s表示矩阵S的稀 疏范围集, rank(L)表示矩阵L的秩, card(S)表示矩
阵S的非零 元素个数, α 是图正则化参 数, Lap是图拉普拉斯矩阵, β 是 吉洪诺夫正则化参 数; 稀
疏图正则非负低秩矩阵分解在矩阵分解过程中额外施加了低秩约束、 吉洪诺夫正则化约
束、 稀疏约束和图正则化约束, 用以挖掘数据背后稀疏且有效的特 征信息;
步骤3: 对原 始数据矩阵进行稀疏图正则非负低秩矩阵分解;
步骤3.1: 低秩矩阵恢复: 利用双边随机投影算法提取原始数据矩阵V中潜在的低秩结
构L∈Rm×n, 描述为:
s.t.L=WH
L,W,H≥0
card(S)≤s,ran k(L)≤l
步骤3.2: 对步骤3.1获得的低秩矩阵L使用变尺度因子的协作式神经动力学优化方法
VF‑CNO进行非负矩阵分解, 获得基矩阵W∈Rm×r和系数矩阵H∈Rr×n; 其中基矩阵W包含了原
始数据矩阵中的局部化特征, 系数矩阵H代表原始数据的低维表示, 同时为了增强模型的分
解性能, 在矩阵分解过程中额外施加了 吉洪诺夫正则化约束、 稀疏约束和图正则化约束, 并
将稀疏约束纳入目标函数, 新形成的目标函数如下:
其中, Γ=(γ1,γ2,…,γn)是等式约束的拉格 朗日乘子; ω,h为对W, H矩阵执行向量
化操作如下:
ω=vec(W)=(w11w21…wm1; w12w22…wm2;…; w1rw2r…wmr)T
h=vec(H)=(h11h21…hr1; h12h22…hr2;…; h1nh2n…hrn)T
步骤4: 基于K ‑means算法进行聚类: 将步骤3中所获得的系数矩阵H输入至K ‑means分类
器, 可以实现对无 标签图像数据的聚类任务。
2.根据权利要求1所述的一种基于神经动力学的图像非负矩阵分解聚类方法, 其特征
是所述步骤3.1包括以下步骤:权 利 要 求 书 1/4 页
2
CN 115471689 A
23.1.1: 设置重构相对误差
阀值为μ, 设置低秩矩阵L的秩为l,
设置稀疏矩阵S的稀疏 范围集为s;
3.1.2: 对相关矩阵和参数进初始化, L0=V, S0=0, k=0;
3.1.3: 进行迭代更新:
3.1.4: 如果
跳转至步骤3.1.2;
3.1.5: 更新矩阵L和S:
Sk=Ωk(V‑Lk);
3.1.6: 如果
则执行步骤3.1.7, 若
则执行步骤3.1.3;
3.1.7: 终止迭代, 得到低秩矩阵L =Lk, 稀疏矩阵S=Sk。
3.根据权利要求1所述的一种基于神经动力学的图像非负矩阵分解聚类方法, 其特征
是所述步骤3.2包括以下步骤:
3.2.1: 输入步骤3.1得到的低秩矩阵L, 并对其进行归一 化, 使其值范围为[0,1];
3.2.2: 设置误差容限ε、 阈值参数ΘT、 总体中的粒子 数N、 最大迭代次数kmax、 正则化参数
α 、 β 、 最近邻数ρ =5、 分解维数r的值;
3.2.3: 利用K近邻算法构建近邻图, 计算图拉普拉斯矩阵Lap=Dap‑Yap; 其中, Yap为对称
的权重矩阵, Dap是对角矩阵, 对角元 素是Yap的列和;
3.2.4: 随机初始化: ωi(0),hi(0),Γ(0), i =1,…,N;
3.2.5: 设置个人最优解 为:
3.2.6: 设置全局最优解 为: p*(0)=argmi n[ω(0),h(0),Γ(0)], i =1,…,N;
3.2.7: 进行迭代更新:
3.2.7.1: 引入变尺度因子类型的递归神经网络模型VF ‑RNN, 用于约束全局优化问题的
KKT点搜索, 所述的VF ‑RNN模型表述 为下面微分方程:
其中PΩ(·)为投影算子, 根据上述矢量方程, 其标量形式可描述 为:
其中, 收敛 因子∈=(∈1,∈2,…,∈n)T; Ψ(∈,t)是一个由变尺度因子函数 ψ(∈j,t)(j
∈{1,2,…,n})组成的向量; 所述的变尺度因子函数 ψ(∈,t)来说, 它是收敛因子∈和时间t
相关的函数, 可以取以下两种形式之一:权 利 要 求 书 2/4 页
3
CN 115471689 A
3
专利 一种基于神经动力学的图像非负矩阵分解聚类方法
安全报告 >
其他 >
文档预览
中文文档
19 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共19页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 思考人生 于 2024-03-03 20:13:31上传分享