本技术涉及数据处理领域，尤其涉及基于一致性和不一致性的多视图聚类方法、装置及设备。
背景技术：
1、互联网、大数据和人工智能等技术在当今社会下高速发展，随之而来的是数据的爆发式增长。各个领域的数据都呈现着海量、多源异构和动态多变等特性。为了针对这些高维度且复杂的多视图数据，将它们划分到不同的群簇类里面，多视图聚类（multi viewclustering）应运而生，并成为了学术领域中备受关注的研究热点之一。多视图聚类旨在将结构复杂的多视图数据，通过某些方法将其整合到一起，然后对其进行合理且准确的划分。因而，如何高效地挖掘多视图数据的结构信息以获得统一的数据表示，进而获得合适的数据分组。
2、在探寻多视图数据之间复杂的结构关系方面，图矩阵学习是一个很不错的选择。因此，基于图矩阵学习的多视图聚类受到了广泛的关注，它以构建数据的相似性矩阵为目标，然后对每个视图的相似性矩阵进行融合，最后采用典型的谱聚类算法或其他方法对融合图矩阵进行最终的簇类划分，在提升聚类性能方面展现出了强大的优越性。
3、多视角的学习是为了有效挖掘每一个视角的关联信息而遵循互补性原则和一致性原则，对于每个视角而言，这就必然存在一致性部分和不一致部分。现有一致性和不一致性的多视图聚类分析忽略了不一致性的多样性和相互独立关系。而且，在构造融合图的过程中容易忽略多个不同相似性图之间的相关关系。此外，现有方法需要额外的聚类步骤，此过程导致相似图构造与聚类结果分离，所以聚类效果较差。
技术实现思路
1、本技术提供了基于一致性和不一致性的多视图聚类方法、装置及设备，用于解决现有技术忽略不一致性的分析，以及不同相似性图之间的关系分析，且相似关联分析与聚类结果分离，导致多视图聚类效果较差的技术问题。
2、有鉴于此，本技术第一方面提供了基于一致性和不一致性的多视图聚类方法，包括：
3、基于自表达的多视图子空间学习算法根据目标视图样本构造相似图，得到初始聚类相似图矩阵；
4、通过矩阵分解和hsic依赖分析的方式，根据所述初始聚类相似图矩阵对视图的一致性部分和不一致性部分进行融合分析，得到多视图融合图；
5、依据拉普拉斯秩约束对所述多视图融合图进行聚类分析，得到多视图聚类结果。
6、优选地，所述基于自表达的多视图子空间学习算法根据目标视图样本构造相似图，得到初始聚类相似图矩阵，包括：
7、基于自表达的多视图子空间学习算法根据目标视图样本构建多视图子空间聚类目标函数；
8、在所述多视图子空间聚类目标函数中引入平滑规范化项，得到自表达学习目标函数；
9、通过所述自表达学习目标函数进行基于子空间聚类分析的相似图构造操作，得到初始聚类相似图矩阵。
10、优选地，所述通过矩阵分解和hsic依赖分析的方式，根据所述初始聚类相似图矩阵对视图的一致性部分和不一致性部分进行融合分析，得到多视图融合图，包括：
11、通过矩阵分解的方式从所述初始聚类相似图矩阵中分解出一致性部分和不一致性部分，得到一致性矩阵和不一致性矩阵；
12、采用hsic标准对所述不一致性矩阵进行非线性依赖分析，得到不一致性依赖关系表达式；
13、联合所述自表达学习目标函数、所述不一致性依赖关系表达式和一致性表达式生成综合视图融合表达式，所述一致性表达式是通过给所述一致性矩阵分配预设权重构建得到；
14、通过所述综合视图融合表达式进行视图融合分析，得到多视图融合图。
15、优选地，所述依据拉普拉斯秩约束对所述多视图融合图进行聚类分析，得到多视图聚类结果，包括：
16、在所述综合视图融合表达式中引入拉普拉斯秩约束，生成多视图聚类目标函数；
17、依据所述多视图聚类目标函数对所述多视图融合图进行聚类分析，得到多视图聚类结果。
18、优选地，所述依据拉普拉斯秩约束对所述多视图融合图进行聚类分析，得到多视图聚类结果，还包括：
19、通过矩阵轮流更新和迭代优化的方式对多视图聚类分析过程进行优化，得到优化聚类结果。
20、本技术第二方面提供了基于一致性和不一致性的多视图聚类装置，包括：
21、初始相似聚类单元，用于基于自表达的多视图子空间学习算法根据目标视图样本构造相似图，得到初始聚类相似图矩阵；
22、多视图融合分析单元，用于通过矩阵分解和hsic依赖分析的方式，根据所述初始聚类相似图矩阵对视图的一致性部分和不一致性部分进行融合分析，得到多视图融合图；
23、多视图聚类分析单元，用于依据拉普拉斯秩约束对所述多视图融合图进行聚类分析，得到多视图聚类结果。
24、优选地，所述初始相似聚类单元，具体用于：
25、基于自表达的多视图子空间学习算法根据目标视图样本构建多视图子空间聚类目标函数；
26、在所述多视图子空间聚类目标函数中引入平滑规范化项，得到自表达学习目标函数；
27、通过所述自表达学习目标函数进行基于子空间聚类分析的相似图构造操作，得到初始聚类相似图矩阵。
28、优选地，所述多视图融合分析单元，具体用于：
29、通过矩阵分解的方式从所述初始聚类相似图矩阵中分解出一致性部分和不一致性部分，得到一致性矩阵和不一致性矩阵；
30、采用hsic标准对所述不一致性矩阵进行非线性依赖分析，得到不一致性依赖关系表达式；
31、联合所述自表达学习目标函数、所述不一致性依赖关系表达式和一致性表达式生成综合视图融合表达式，所述一致性表达式是通过给所述一致性矩阵分配预设权重构建得到；
32、通过所述综合视图融合表达式进行视图融合分析，得到多视图融合图。
33、优选地，所述多视图聚类分析单元，具体用于：
34、在所述综合视图融合表达式中引入拉普拉斯秩约束，生成多视图聚类目标函数；
35、依据所述多视图聚类目标函数对所述多视图融合图进行聚类分析，得到多视图聚类结果。
36、本技术第三方面提供了基于一致性和不一致性的多视图聚类设备，所述设备包括处理器以及存储器；
37、所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
38、所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于一致性和不一致性的多视图聚类方法。
39、从以上技术方案可以看出，本技术实施例具有以下优点：
40、本技术中，提供了基于一致性和不一致性的多视图聚类方法，包括：基于自表达的多视图子空间学习算法根据目标视图样本构造相似图，得到初始聚类相似图矩阵；通过矩阵分解和hsic依赖分析的方式，根据初始聚类相似图矩阵对视图的一致性部分和不一致性部分进行融合分析，得到多视图融合图；依据拉普拉斯秩约束对多视图融合图进行聚类分析，得到多视图聚类结果。
41、本技术提供的基于一致性和不一致性的多视图聚类方法，采用基于自表达的多视图子空间学习方法分析样本数据之间的相似性，可以将相似或者不相似的样本进行初步聚类，该过程能够有效的去除数据中的噪声和异常；而且，采用hsic标准对视图的一致性进行依赖分析，能够满足实际多视图聚类中忽略不一致性分析的问题；此外，采用拉普拉斯秩约束将关系分析与聚类关联起来，能够确保聚类结果的准确性和可靠性。因此，本技术能够解决现有技术忽略不一致性的分析，以及不同相似性图之间的关系分析，且相似关联分析与聚类结果分离，导致多视图聚类效果较差的技术问题。
1.基于一致性和不一致性的多视图聚类方法，其特征在于，包括：
2.根据权利要求1所述的基于一致性和不一致性的多视图聚类方法，其特征在于，所述基于自表达的多视图子空间学习算法根据目标视图样本构造相似图，得到初始聚类相似图矩阵，包括：
3.根据权利要求2所述的基于一致性和不一致性的多视图聚类方法，其特征在于，所述通过矩阵分解和hsic依赖分析的方式，根据所述初始聚类相似图矩阵对视图的一致性部分和不一致性部分进行融合分析，得到多视图融合图，包括：
4.根据权利要求3所述的基于一致性和不一致性的多视图聚类方法，其特征在于，所述依据拉普拉斯秩约束对所述多视图融合图进行聚类分析，得到多视图聚类结果，包括：
5.根据权利要求1所述的基于一致性和不一致性的多视图聚类方法，其特征在于，所述依据拉普拉斯秩约束对所述多视图融合图进行聚类分析，得到多视图聚类结果，还包括：
6.基于一致性和不一致性的多视图聚类装置，其特征在于，包括：
7.根据权利要求6所述的基于一致性和不一致性的多视图聚类装置，其特征在于，所述初始相似聚类单元，具体用于：
8.根据权利要求7所述的基于一致性和不一致性的多视图聚类装置，其特征在于，所述多视图融合分析单元，具体用于：
9.根据权利要求8所述的基于一致性和不一致性的多视图聚类装置，其特征在于，所述多视图聚类分析单元，具体用于：
10.基于一致性和不一致性的多视图聚类设备，其特征在于，所述设备包括处理器以及存储器；
