如需要完整文档点击下方 "点击下载文档" 按钮

聚类算法的研究受到广泛关注,但现有聚类算法通常无法对样本进行精准的聚类且不能有效分离个体聚簇,从而导致聚类模型泛化性能弱等问题。 针对于此,提出了一种融合线性插值和对抗性学习的深度子空间聚类模型。 该模型在编码器部分使用混合函数和来自均匀分布的 α系数对两个样本的隐表示进行线性插值,得到新的混合输出;　进而利用子空间聚类模型对混合输出和原样本隐变量进行聚类,有效提升模型对难分类样本的聚类精度。 同时,将对抗性学习引入自编码器并在重构数据集上训练一个鉴别器,　用于预测?α 系数,从而提升混合输出的数据质量。 在 3 个公开数据集上进行实验,采用准确率( ACC) 和归一化互信息(NMI) 对所提算法进行评估。 在 Extended Yale B、ORL、COIL20 数据集上准确率分别达到了 0. 976 1、0. 874 3、0. 942 3,与现有的一些算法相比,所提算法的 ACC 和 NMI 均有较大的提升,验证了模型在处理难分类样本时,性能具有明显优于现有模型。

如需要完整文档点击下方 "点击下载文档" 按钮

《融合线性插值和对抗性学习的深度子空间聚类》

将 完整文档 下载到本地，方便收藏和查阅

文件号：057851

点击下载文档