典型文献
基于特征选择与鲁棒图学习的多视图聚类
文献摘要：
现有的多视图聚类方法大多直接在原始数据样本上构建各视图的相似图,而原始数据中的冗余特征和噪声会导致聚类精度下降.针对该问题,基于特征选择和鲁棒图学习提出多视图聚类算法FRMC.在自适应选择不同视图特征时降低数据维度,减少冗余特征,同时利用自表示学习获取数据的表示系数,滤除噪声影响并得到数据样本的全局结构,从而去除样本中的噪声和离群点.在此基础上,通过自适应近邻学习构造样本鲁棒图,利用鲁棒图矩阵的加权和构建最终的亲和图矩阵,提出一种基于增广拉格朗日乘子的交替迭代算法对目标函数进行优化.在6个不同类型的标准数据集上进行实验,与SC、RGC、AWP等算法的对比结果表明,FRMC算法能够有效提升聚类精度且具有较好的收敛性与鲁棒性.
文献关键词：
多视图聚类;特征选择;自表示学习;自适应近邻学习;亲和图矩阵
中图分类号：
作者姓名：
黄奕轩;杜世强;余瑶;肖庆江;宋金梅
作者机构：
西北民族大学 数学与计算机科学学院,兰州 730030;西北民族大学 中国民族信息技术研究院,兰州 730030
文献出处：
引用格式：
[1]黄奕轩;杜世强;余瑶;肖庆江;宋金梅-.基于特征选择与鲁棒图学习的多视图聚类)[J].计算机工程,2022(12):95-103
A类：
FRMC,自适应近邻学习,亲和图矩阵,AWP
B类：
特征选择,图学习,多视图聚类,聚类方法,接在,原始数据,冗余特征,聚类精度,聚类算法,自适应选择,数据维度,自表示学习,获取数据,滤除噪声,噪声影响,全局结构,离群点,加权和,增广拉格朗日,拉格朗日乘子,交替迭代算法,标准数据集,SC,RGC,收敛性
AB值：
0.240413
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
