多视图聚类方法随着数据获取途径日益多样化成为研究热点,但大多数聚类方法低估了噪声和数据多结构互补性信息对聚类结果的影响,并且忽略了聚类结果对低秩张量优化过程的反向引导作用。为解决这些问题,提出了基于结构化张量学习的多视...多视图聚类方法随着数据获取途径日益多样化成为研究热点,但大多数聚类方法低估了噪声和数据多结构互补性信息对聚类结果的影响,并且忽略了聚类结果对低秩张量优化过程的反向引导作用。为解决这些问题,提出了基于结构化张量学习的多视图聚类(multi-view clustering based on structured tensor learning,MCSTL)。首先,对初始表示张量进行再次去噪使其更具准确性和鲁棒性;同时,互补地学习局部结构、全局结构和各视图间的高阶相关性,提高表示张量与原始数据本质簇结构的一致性;然后,从跨视图信息融合的亲和矩阵中学习到统一的特征矩阵,利用其隐含的聚类结构信息反向引导表示张量的优化过程;最后,对特征矩阵施加了正交约束,使其提供数据的软标签信息,并对模型进行直接聚类解释。实验表明,MCSTL在6种聚类评价指标上均表现优异,30个指标数据中有27个达到最优,从而充分验证了MCSTL的有效性和优越性。展开更多
近年来,基于张量补全的频谱制图得到了广泛研究.目前用于频谱制图的张量补全算法大多隐含地假设张量具有平衡特性,而对于非平衡张量,难以利用其低秩性估计完整的张量信息,导致补全算法性能受损.本文提出基于重叠Ket增强(Overlapping Ket...近年来,基于张量补全的频谱制图得到了广泛研究.目前用于频谱制图的张量补全算法大多隐含地假设张量具有平衡特性,而对于非平衡张量,难以利用其低秩性估计完整的张量信息,导致补全算法性能受损.本文提出基于重叠Ket增强(Overlapping Ket Augmentation,OKA)和张量列车(Tensor Train,TT)的非平衡频谱制图算法,以解决非平衡张量在应用传统张量补全算法时性能下降的问题.首先使用OKA将低阶高维张量表示为高阶低维张量,在无信息损耗的情况下解决非平衡张量无法利用其低秩性进行张量补全的问题;然后使用TT矩阵化得到较平衡的矩阵,在维度较平衡条件下提高补全算法的精确度;最后利用高阶低维张量的低秩性,使用并行矩阵分解或基于F范数的无奇异值分解(Singular Value Decomposition Free,SVDFree)算法完成张量补全.仿真结果表明,针对非平衡张量,所提方案与现有的张量补全算法相比,可以获得更精确的无线电地图,同时所提SVDFree算法具有更低的计算复杂度.展开更多
文摘多视图聚类方法随着数据获取途径日益多样化成为研究热点,但大多数聚类方法低估了噪声和数据多结构互补性信息对聚类结果的影响,并且忽略了聚类结果对低秩张量优化过程的反向引导作用。为解决这些问题,提出了基于结构化张量学习的多视图聚类(multi-view clustering based on structured tensor learning,MCSTL)。首先,对初始表示张量进行再次去噪使其更具准确性和鲁棒性;同时,互补地学习局部结构、全局结构和各视图间的高阶相关性,提高表示张量与原始数据本质簇结构的一致性;然后,从跨视图信息融合的亲和矩阵中学习到统一的特征矩阵,利用其隐含的聚类结构信息反向引导表示张量的优化过程;最后,对特征矩阵施加了正交约束,使其提供数据的软标签信息,并对模型进行直接聚类解释。实验表明,MCSTL在6种聚类评价指标上均表现优异,30个指标数据中有27个达到最优,从而充分验证了MCSTL的有效性和优越性。
文摘近年来,基于张量补全的频谱制图得到了广泛研究.目前用于频谱制图的张量补全算法大多隐含地假设张量具有平衡特性,而对于非平衡张量,难以利用其低秩性估计完整的张量信息,导致补全算法性能受损.本文提出基于重叠Ket增强(Overlapping Ket Augmentation,OKA)和张量列车(Tensor Train,TT)的非平衡频谱制图算法,以解决非平衡张量在应用传统张量补全算法时性能下降的问题.首先使用OKA将低阶高维张量表示为高阶低维张量,在无信息损耗的情况下解决非平衡张量无法利用其低秩性进行张量补全的问题;然后使用TT矩阵化得到较平衡的矩阵,在维度较平衡条件下提高补全算法的精确度;最后利用高阶低维张量的低秩性,使用并行矩阵分解或基于F范数的无奇异值分解(Singular Value Decomposition Free,SVDFree)算法完成张量补全.仿真结果表明,针对非平衡张量,所提方案与现有的张量补全算法相比,可以获得更精确的无线电地图,同时所提SVDFree算法具有更低的计算复杂度.
