基于局部保持的深度聚类研究

发布时间：2023-04-05 20:18

　　聚类在机器学习和模式识别领域被广泛地研究,其以无监督的方式将数据按照相似性划分为不同的类别.特征学习是聚类任务中一个关键步骤,旨在将原始高维数据映射到低维的特征表示,同时保留数据的重要信息,使得聚类性能实现显著的提升.随着深度学习的兴起,深度神经网络凭借其强大的特征表示能力促进了深度聚类任务的发展.然而,现存的大部分深度聚类算法在特征学习的过程中忽略了特征之间的局部连接关系,使得原始数据到特征低维映射的过程中破坏了特征空间的本征结构,从而影响了聚类的性能.为了解决这一问题,本文分别针对两个先进的深度聚类算法进行基于局部结构保持的改进,提出利用局部保持正则项来约束深度特征学习,通过考虑特征之间的局部连接关系保持特征空间的本征结构,从而实现聚类性能的有效提升.具体来说,本文提出的改进算法分别为:(1)基于局部保持的深度子空间聚类算法:首先将图像数据输入深度卷积自编码器进行预训练,学习数据潜在的初始特征;然后利用预训练特征学习一个代表特征之间相似性的初始亲和图矩阵,并将其作为网络微调训练中特征的先验图结构信息;在微调训练中,该算法在预训练深度自编码器模型的基础上,加入一层基于数据自表达属性构...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 论文选题的背景与意义
    1.2 研究进展和现状
        1.2.1 聚类与特征学习概述
        1.2.2 聚类算法的发展及现状
        1.2.3 本文的主要工作
        1.2.4 本文的结构安排
第二章 基于深度特征学习的聚类
    2.1 深度神经网络
    2.2 误差反向传播理论
    2.3 深度自编码器
        2.3.1 自编码器的结构
        2.3.2 自编码器的训练
    2.4 深度聚类算法
        2.4.1 分步深度聚类算法
        2.4.2 联合的深度聚类算法
    2.5 本章小结
第三章 基于局部保持的深度子空间聚类
    3.1 引言
    3.2 深度自编码器的预训练
    3.3 局部结构保持
        3.3.1 先验图设计
        3.3.2 局部保持损失
    3.4 数据的自表达属性
        3.4.1 网络自表达层
    3.5 微调训练
    3.6 实验设置及结果
        3.6.1 数据集介绍
        3.6.2 参数设置
        3.6.3 实验结果
        3.6.4 消融实验研究
        3.6.5 参数敏感度分析
    3.7 本章小结
第四章 基于局部保持的深度嵌入聚类
    4.1 引言
    4.2 深度自编码器的预训练
    4.3 编码器的微调训练
        4.3.1 t-SNE算法
        4.3.2 DEC算法
        4.3.3 局部保持损失
        4.3.4 参数优化
    4.4 实验设置及结果
        4.4.1 数据集介绍
        4.4.2 对比方法介绍
        4.4.3 实验参数设置
        4.4.4 实验结果
    4.5 本章小结
第五章 总结与展望
    5.1 论文总结
    5.2 展望
参考文献
在学期间的研究成果
致谢



本文编号：3784064