1.一种基于深度矩阵的约束概念分解聚类方法,其特征在于,所述聚类方法中包括:S10获取m个待聚类图像,并根据待聚类图像构造k个最邻近图;
S20针对每个最邻近图得到相应的数据矩阵X,所述数据矩阵X中包括n个数据点,并使用非负矩阵分解方法对数据矩阵X进行分解得到特征矩阵W;
S30对数据矩阵X中的p个数据点进行标记;
S40基于特征矩阵W及标记数据点,建立约束概念分解的目标函数σ;
其中,H1,...,Hk表示深度分解不同属性层次对应的属性因子,Hi表示深度分解的第i层属性层,1≤i≤k;A为根据数据矩阵X中的标记数据点和未标记数据点构建的约束矩阵;W=AF为数据矩阵X的特征矩阵,F为辅助矩阵;
S50根据目标函数σ,使用迭代加权的方法迭代预设次数,得到数据矩阵X深度分解的每一层的特征矩阵Wi和权重矩阵Hi,1≤i≤k;
S60采用k‑means聚类算法分别对每个最近邻图所得到的特征矩阵进行分析并聚类;
待聚类图像为人脸图像,在聚类过程中,数据矩阵X表示来自不同对象的面部图像的集合,则根据数据矩阵X的三种不同属性以三种不同的方式进行分解:其中,H3对应于识别表达式的映射,H2H3对应于姿态的映射,H1H2H3对应于人脸图像的身份的映射;通过学习隐藏表示在每一层最适合每个属性的数据来定义 找到最好的特征来进行聚类; 为聚类原来图像的姿态, 为聚类面对图像的表达式。
2.如权利要求1所述的聚类方法,其特征在于,在步骤S20中,约束矩阵A具体为:其中,Up×u表示数据矩阵X中标记数据点矩阵,p表示标记点的数量,u表示标记类别;n‑p表示未标记数据点的数量,n表示数据矩阵X中数据点的数量,In‑p表示(n‑p)×(n‑p)的单位矩阵。
3.如权利要求1或2所述的聚类方法,其特征在于,在步骤S30中,权重矩阵Hi的更新规则为:
其中,ψ=H1...Hi‑1, 表示第i层重建的特征矩阵;
特征矩阵Wi的更新规则为:
pos neg
其中,[M] 表示矩阵中所有负元素都被0替换,[M] 表示矩阵中所有正元素都被0替换。