由于数据形式日益复杂，陆续涌现了大量多视图聚类算法。但现有方法存在计算复杂度较高、需要额外的后续处理步骤、构造的相似图非最优等缺点。基于此，首先提出一种基于稀疏一致图分解的单视图聚类算法，然后将其扩展为多视图聚类算法，考虑不同视图对最终结果的贡献不同，对每个视图分配适当的权重，同时利用L2.1范数，得到性能更优的一致图，在一致图基础上学习非负表示矩阵，经交替迭代得到聚类结果。最后在多个数据集上进行比较实验，验证了该算法的有效性。
科研之友
微信
新浪微博
Facebook
分享链接
