本發(fā)明涉及數(shù)據(jù)分析和機(jī)器學(xué)習(xí)，更具體地，涉及一種基于圖學(xué)習(xí)和偽標(biāo)簽指導(dǎo)的非負(fù)矩陣分解人臉聚類(lèi)方法、裝置及介質(zhì)。

背景技術(shù)：

1、非負(fù)矩陣分解（nmf）是一種廣泛應(yīng)用于數(shù)據(jù)分析中的矩陣分解方法。其基本思想是將一個(gè)非負(fù)矩陣分解為兩個(gè)非負(fù)矩陣，使得它們的乘積近似原矩陣，常應(yīng)用于圖像處理、文檔聚類(lèi)和推薦系統(tǒng)等領(lǐng)域。然而，傳統(tǒng)的nmf存在一些局限，特別是在處理帶有圖結(jié)構(gòu)的數(shù)據(jù)時(shí)，無(wú)法充分利用數(shù)據(jù)的空間信息。此外，當(dāng)原始數(shù)據(jù)非常龐大時(shí)，nmf的基矩陣的基向量數(shù)量也可能增多，導(dǎo)致計(jì)算復(fù)雜度高。

2、圖學(xué)習(xí)和偽標(biāo)簽指導(dǎo)的非負(fù)矩陣分解（gpnmf）一方面通過(guò)自學(xué)習(xí)的方式自適應(yīng)的構(gòu)造親和矩陣，另一方面?zhèn)螛?biāo)簽矩陣的引入，填補(bǔ)標(biāo)簽缺失的空白，提升模型的泛化能力和訓(xùn)練效率，從而增強(qiáng)了nmf的聚類(lèi)能力?，F(xiàn)有的大多數(shù)拉普拉斯矩陣在迭代過(guò)程中未更新的問(wèn)題，這不符合最優(yōu)解的需求；而且也忽視了偽標(biāo)簽的強(qiáng)有力的學(xué)習(xí)指導(dǎo)作用。因此，現(xiàn)有的方法在處理數(shù)據(jù)的空間信息時(shí)尚未達(dá)到理想的效果，如何基于圖像數(shù)據(jù)以進(jìn)一步提升人臉識(shí)別精度是當(dāng)下亟需要解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問(wèn)題，本發(fā)明提供一種基于圖學(xué)習(xí)和偽標(biāo)簽指導(dǎo)的非負(fù)矩陣分解人臉聚類(lèi)方法、裝置及介質(zhì)，以結(jié)合圖學(xué)習(xí)和子空間學(xué)習(xí)的優(yōu)點(diǎn)，從而能夠有效地提升分類(lèi)和聚類(lèi)任務(wù)中的性能，使其具有廣泛的應(yīng)用前景。

2、第一方面，本發(fā)明提供一種基于圖學(xué)習(xí)和偽標(biāo)簽指導(dǎo)的非負(fù)矩陣分解人臉聚類(lèi)方法，所述方法包括：

3、獲取數(shù)據(jù)矩陣、偽標(biāo)簽矩陣、正則化參數(shù)和聚類(lèi)數(shù)目；其中，所述數(shù)據(jù)矩陣包含人臉圖像數(shù)據(jù)，所述偽標(biāo)簽矩陣通過(guò)對(duì)所述數(shù)據(jù)矩陣進(jìn)行kmeans聚類(lèi)得到；

4、隨機(jī)初始化基矩陣 w、編碼矩陣 h、自表示系數(shù)矩陣 c和輔助矩陣 a；

5、基于所述基矩陣 w、編碼矩陣 h、自表示系數(shù)矩陣 c和輔助矩陣 a，確定親和矩陣 p和對(duì)角矩陣 q，并根據(jù)所述親和矩陣 p和對(duì)角矩陣 q確定圖拉普拉斯矩陣 l；

6、基于設(shè)定的最大迭代次數(shù)進(jìn)行迭代，在每次迭代過(guò)程中，依次更新所述基矩陣 w、編碼矩陣 h、自表示系數(shù)矩陣 c和輔助矩陣 a，通過(guò)所述親和矩陣更新所述圖拉普拉斯矩陣；

7、在整個(gè)過(guò)程的迭代中，最小化目標(biāo)函數(shù)，直到目標(biāo)函數(shù)收斂或迭代次數(shù)達(dá)到最大迭代次數(shù)，得到聚類(lèi)結(jié)果。

8、進(jìn)一步地，所述數(shù)據(jù)矩陣表示為，所述偽標(biāo)簽矩陣表示為，其中 x為數(shù)據(jù)矩陣，為實(shí)數(shù)集， m為特征維度， n為樣本個(gè)數(shù)， y為偽標(biāo)簽矩陣， r為類(lèi)別數(shù)目。

9、進(jìn)一步地，所述親和矩陣 p表示為：

10、；

11、式中， t表示矩陣轉(zhuǎn)置。

12、進(jìn)一步地，對(duì)角矩陣 q表示為：

13、；

14、式中，? q ii表示矩陣q的第i行i列的值， j表示樣本序號(hào)， p ij表示親和矩陣 p第i行第j列的值， n表示樣本個(gè)數(shù)。

15、進(jìn)一步地，所述圖拉普拉斯矩陣 l表示為：

16、；

17、進(jìn)一步地，所述自表示系數(shù)矩陣 c滿足；其中， diag表示對(duì)角矩陣。

18、進(jìn)一步地，在每次迭代過(guò)程中，通過(guò)如下公式依次更新所述基矩陣 w、編碼矩陣 h、自表示系數(shù)矩陣 c和輔助矩陣 a：

19、；

20、式中， w ij表示矩陣w的第i行第j列的值；均表示正則化參數(shù)；表示矩陣第i行第j列的值；表示矩陣第i行第j列的值；表示矩陣h第j行第k列的值；表示矩陣第i行第j列的值；表示矩陣第i行第j列的值；表示矩陣c第k行第k列的值；表示矩陣第k行第k列的值；表示矩陣第k行第k列的值；表示矩陣a第j行第j列的值；表示矩陣第j行第j列的值；表示矩陣第j行第j列的值； t表示矩陣轉(zhuǎn)置。

21、進(jìn)一步地，所述目標(biāo)函數(shù)表示為：

22、；

23、式中，min表示取最小值，||?|| f表示f范數(shù)； tr表示跡運(yùn)算； diag表示對(duì)角矩陣；s.t.表示約束條件；均表示正則化參數(shù)； t表示矩陣轉(zhuǎn)置。

24、第二方面，本發(fā)明提供一種基于圖學(xué)習(xí)和偽標(biāo)簽指導(dǎo)的非負(fù)矩陣分解人臉聚類(lèi)裝置，所述裝置包括：

25、數(shù)據(jù)獲取模塊，被配置為獲取數(shù)據(jù)矩陣、偽標(biāo)簽矩陣、正則化參數(shù)和聚類(lèi)數(shù)目；其中，所述數(shù)據(jù)矩陣包含人臉圖像數(shù)據(jù)，所述偽標(biāo)簽矩陣通過(guò)對(duì)所述數(shù)據(jù)矩陣進(jìn)行kmeans聚類(lèi)得到；

26、矩陣初始化模塊，被配置為隨機(jī)初始化基矩陣 w、編碼矩陣 h、自表示系數(shù)矩陣 c和輔助矩陣 a；

27、矩陣確定模塊，被配置為基于所述基矩陣 w、編碼矩陣 h、自表示系數(shù)矩陣 c和輔助矩陣 a，確定親和矩陣 p和對(duì)角矩陣 q，并根據(jù)所述親和矩陣 p和對(duì)角矩陣 q確定圖拉普拉斯矩陣 l；

28、迭代更新模塊，被配置為基于設(shè)定的最大迭代次數(shù)進(jìn)行迭代，在每次迭代過(guò)程中，依次更新所述基矩陣 w、編碼矩陣 h、自表示系數(shù)矩陣 c和輔助矩陣 a，通過(guò)所述親和矩陣更新所述圖拉普拉斯矩陣；

29、聚類(lèi)輸出模塊，被配置為在整個(gè)過(guò)程的迭代中，最小化目標(biāo)函數(shù)，直到目標(biāo)函數(shù)收斂或迭代次數(shù)達(dá)到最大迭代次數(shù)，得到聚類(lèi)結(jié)果。

30、第三方面，本發(fā)明提供一種可讀存儲(chǔ)介質(zhì)，所述可讀存儲(chǔ)介質(zhì)存儲(chǔ)有一個(gè)或者多個(gè)程序，所述一個(gè)或者多個(gè)程序可被一個(gè)或者多個(gè)處理器執(zhí)行，以實(shí)現(xiàn)如上所述的方法。

31、本發(fā)明至少具有以下有益效果：

32、1）本發(fā)明通過(guò)結(jié)合子空間學(xué)習(xí)中的自表示方法，生成表示系數(shù)并進(jìn)一步計(jì)算拉普拉斯矩陣，并在迭代過(guò)程中對(duì)拉普拉斯矩陣進(jìn)行更新，以保證最優(yōu)解的生成。此外，本發(fā)明還引入了偽標(biāo)簽矩陣，通過(guò)偽類(lèi)別信息的引入，增強(qiáng)了基矩陣提取特征的能力和權(quán)重矩陣描述特征系數(shù)的能力，從而有效提升人臉聚類(lèi)效果，提升人臉識(shí)別精度。

33、2）本發(fā)明通過(guò)更新拉普拉斯矩陣并結(jié)合自表示學(xué)習(xí)，能夠在矩陣分解的過(guò)程中更加有效地利用數(shù)據(jù)的空間結(jié)構(gòu)信息，提升了nmf在聚類(lèi)任務(wù)中的能力。同時(shí)，偽標(biāo)簽矩陣的引入進(jìn)一步增強(qiáng)了模型的判別能力，能夠更好地對(duì)不同類(lèi)別的數(shù)據(jù)進(jìn)行區(qū)分。與傳統(tǒng)的gnmf方法相比，gpnmf能夠自適應(yīng)地更新拉普拉斯矩陣，提高了模型的準(zhǔn)確性和穩(wěn)定性。