1.一种面向多视图聚类的多图正则化深度矩阵分解方法,其特征在于,所述分解方法中包括:S10获取待分解的多视图样本集X={X(1),...,X(υ),...,X(V)},其中,V表示视图的个数,kυ为视图样本的维数,n为多视图样本的个数;
S20根据所述多视图样本集构建目标函数:其中,X(υ)为视图υ的样本数据;Wi(υ)i∈{1,2,...,m}表示视图υ的第i层映射,m为层数;
Dm表示相应视图样本的特征矩阵;α(υ)表示视图υ的加权系数;γ表示控制权重参数分布;Lk表示视图k的拉普拉斯图,且Lk=Αk-Hk,Αk表示视图k的权重矩阵,S30根据所述目标函数,使用迭代加权的方法,输出特征矩阵Dm,完成对多视图样本集X的分解。
2.如权利要求1所述的分解方法,其特征在于,在步骤S20中包括:对视图样本中每层进行预训练,得到初始的权矩阵Wi(υ)和特征矩阵 并根据成本函数c对每层的权值进行微调,其中,
3.如权利要求2所述的分解方法,其特征在于,根据多图正则化函数对成本函数c进行求解得到微调函数C,并利用微调函数C对每层的权值进行微调,其中,多图正则化函数MultiGrO (D,τ)为:
其中,D为样本特征矩阵;Lk为样本k的拉普拉斯图;τk为样本k的权重;
求微调函数C为:
4.如权利要求1或2或3所述的分解方法,其特征在于,在步骤S30中,权重矩阵Wi(υ)的更新函数为:
特征矩阵 的更新函数为:
其中,[M]pos表示矩阵中所有负元素都被0替换,[M]neg表示矩阵中所有正元素都被0替换;
权重矩阵Dm的更新函数为:
其中,θu(Dm,A)=β([DmA(υ)]pos+[DmM(υ)]neg),θd(Dm,A)=β([DmA(υ)]neg+[DmM(υ)]pos);
加权系数α(υ)的更新函数为:
其中, λ为拉格朗日乘数。
5.如权利要求1或2或3所述的分解方法,其特征在于,在步骤S30中,根据函数优化权重τ,其中,Ek=Tr(DLkDT)。