原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
摘要
摘 要
随着互联网技术的高速发展，人们在生活和工作过程中会产生数以千计的图
像数据，面对复杂的图像数据如何处理成为了一个难题。图像聚类方法能将样本
数据根据不同的特征划分到不同的簇中，使相同簇之间相似性尽可能大，不同簇
之间相似性尽可能小。近年来，如何正确对图像聚类进行划分，吸引了研究者的
关注，许多聚类方法被提出。而非负矩阵分解由于分解后的基矩阵和系数矩阵中
所有元素都是非负的，这一特性很好的满足了现实中整体由部分组成的特点，被
广泛应用于图像聚类方法之中。
本文在非负矩阵分解的研究基础之上，为进一步提高图像聚类性能，提出了
以下三种聚类方法，其主要工作和创新点如下：
首先，提出一种自适应图正则化非负矩阵分解方法。数据的局部结构信息比
全局结构信息更有利于图像分类和聚类，传统的基于流形学习的非负矩阵分解聚
类方法通常是通过k 近邻图来捕获数据的局部结构信息。然而，这种依赖于原数
据得到的近邻图不是最优的，进而影响后续的聚类性能。为了解决上述问题，所
提方法把非负矩阵分解和图构造交替迭代进行，自适应地构造权重矩阵，更好地
保持了数据局部流形结构信息，在图像聚类实验中取得了不错的聚类性能。
其次，提出一种自适应图正则化判别非负矩阵分解方法。为了充分利用数据
的类别标签信息，所提方法在上面所提方法的基础上引入数据标签信息作为约束
项，将非负矩阵分解扩展为半监督学习方法，确保具有相同标签的不同样本在降
维后的新空间中离得更近且不会合并为同一点，具有更好的可表示性。大量的实
验表明，本方法在图像聚类中优于其他经典方法的聚类性能。
第三，提出了一种保持投影非负矩阵分解方法。非负矩阵分解直接对原始数
据进行分解，而原始数据往往包含大量的冗余信息和噪声数据，降低了聚类性
能。所提方法首先将非负矩阵分解与主成分分析相结合，在矩阵分解的同时进行
数据降维，降低了噪声的影响。其次，为了进一步提高聚类的准确性，所提方法
引入流形正则化项以保持数据的局部几何结构信息。实验结果表明了所提方法的
有效性。
关 键 词：图像聚类；非负矩阵分解；流形学习；自适应图；半监督学习
论文类型：应用基础研究
I
目录
目 录
第1 章 绪论 1
1.1 课题的研究背景及意义 1
1.2 课题国内外研究现状 2
1.2.1 图像聚类的发展历程 2
1.2.2 非负矩阵分解在图像聚类中的研究现状 3
1.3 论文的主要研究内容 4
1.4 论文结构安排 5
第2 章 基于自适应图正则化非负矩阵分解的图像聚类方法 7
2.1 引言 7
2.2 相关工作 8
2.2.1 非负矩阵分解 8
2.2.2 图正则化非负矩阵分解 9
2.3 自适应图正则化非负矩阵分解 10
2.3.1 目标函数 11
2.3.2 迭代更新 12
2.3.3 收敛性证明 14
2.4 实验 16
2.4.1 实验设置 16
2.4.2 实验结果和分析 18
2.4.3 参数选择 21
2.4.4 收敛速度 22
2.5 本章小结 24
第3 章 基于自适应图正则化判别非负矩阵分解的图像聚类方法 ... 25
3.1 引言 25
3.2 相关工作 26
3.2.1 约束非负矩阵分解 26
3.2.2 判别非负矩阵分解 27
3.3 自适应图正则化判别式非负矩阵分解 27
3.3.1 目标函数 28
文档评论（0）