全局与局部结构学习的多视图子空间聚类算法

约束双线性分解多视图子空间聚类（CBF-MSc）忽略了视图的局部结构信息，导致信息丢失，影响多视图聚类的效果。为了解决上述问题，提出了一种基于全局和局部结构学习的约束二元分解多视图子空间聚类算法（CBF lgls）。该算法首先考虑了视图的一致性和互补性，认为不同视图的系数矩阵应该具有相同的聚类属性，而不是多个视图之间的一致性，从而充分挖掘挖掘视图的底层数据分布和聚类属性。此外，该算法还充分考虑了视图的局部结构信息，有效地捕捉了单个视图的内部差异，减少了信息的丢失。此外，该算法采用自适应加权的方法，以减少噪声和冗余对聚类效果的影响。对于每个视图，预定义相似度矩阵的传统模式，并采用自适应距离正则化方法，充分考虑单个视图的几何结构和视图之间相同的聚类结构，从而提高聚类效果。该算法在广泛使用的数据集上进行了测试，并与主流算法进行了比较。结果表明，该算法具有良好的聚类效果和收敛性。