控制与决策

作者：张小乾,王晶,薛旭倩,刘知贵

单位：西南科技大学 信息工程学院,四川 绵阳 621010,,西南科技大学 信息工程学院,四川 绵阳 621010,,西南科技大学 计算机科学与技术学院,四川 绵阳 621010,,西南科技大学 信息工程学院,四川 绵阳 621010,

关键词：多核学习;混合相关熵度量;低秩共识核;块对角表示

基金：四川省科技计划项目(2020YJ0432)；西南科技大学研究生创新基金项目(20ycx0032)；国家自然科学基金青年项目(62102331)；西南科技大学博士研究基金项目(22zx7110).

针对现有的多核学习(multiple kernel learning, MKL)子空间聚类方法忽略噪声和特征空间中数据的低秩结构问题,提出一种新的鲁棒多核子空间聚类方法(low-rank robust multiple kernel clustering, LRMKC),该方法结合块对角表示(block diagonal representation, BDR)与低秩共识核(low-rank consensus kernel, LRCK)学习,可以更好地挖掘数据的潜在结构.为了学习最优共识核,设计一种基于混合相关熵度量(mixture correntropy induced metric, MCIM)的自动加权策略,其不仅为每个核设置最优权重,而且通过抑制噪声提高模型的鲁棒性;为了探索特征空间数据的低秩结构,提出一种非凸低秩共识核学习方法;考虑到亲和度矩阵的块对角性质,对系数矩阵应用块对角约束.LRMKC将MKL、LRCK与BDR巧妙融合,以迭代提高各种方法的效率,最终形成一个处理非线性结构数据的全局优化方法.与最先进的MKL子空间聚类方法相比,通过在图像和文本数据集上的大量实验验证了LRMKC的优越性.

来源：2022年第11期

《控制与决策》期刊编辑部

查看控制与决策杂志2022年第11期