1. 本选题研究的目的及意义
多视觉聚类作为一种重要的机器学习方法，近年来受到越来越多的关注。
它利用来自多个来源或视角的数据信息来提高聚类的性能，相较于单一视觉聚类，能够更全面地刻画数据对象，揭示数据内在的结构信息。
然而，在实际应用中，由于数据采集、传输、存储等环节的问题，多视觉数据往往存在缺失的情况，这对现有的多视觉聚类算法提出了很大的挑战。
2. 本选题国内外研究状况综述
近年来，多视觉聚类研究得到了国内外学者的广泛关注，取得了一系列重要成果。
1. 国内研究现状
国内学者在多视觉聚类方面开展了大量研究工作，并取得了一定的成果。
3. 本选题研究的主要内容及写作提纲
本选题的主要研究内容是基于非负矩阵的缺失多视觉聚类，具体包括以下几个方面：
1.研究缺失多视觉数据的有效表示方法:针对多源异构的视觉数据，研究如何有效地表示和处理包含缺失值的多视觉数据。
2.构建基于非负矩阵分解的缺失多视觉聚类模型:利用非负矩阵分解对缺失多视觉数据进行处理，学习数据的低维潜在特征表示，并构建相应的聚类目标函数。
3.研究引入约束条件以提高聚类性能:研究如何在非负矩阵分解过程中引入例如稀疏性、正交性等约束条件，以提高聚类模型的鲁棒性和表达能力。
4. 研究的方法与步骤
本研究将采用理论研究和实验研究相结合的方法，逐步推进研究工作。
1.文献调研阶段:深入研究多视觉聚类、缺失数据处理、非负矩阵分解等相关领域的国内外研究现状，了解最新的研究成果和发展趋势，为本研究奠定理论基础。
2.模型构建阶段:针对缺失多视觉数据的特点，研究如何利用非负矩阵分解提取数据的低维特征表示，并构建基于非负矩阵分解的缺失多视觉聚类模型。
5. 研究的创新点
本研究的创新点主要体现在以下几个方面：
1.提出一种新的基于非负矩阵分解的缺失多视觉聚类模型:该模型能够有效地处理缺失多视觉数据，并学习数据的低维潜在特征表示，从而提高聚类性能。
2.设计一种高效且鲁棒的模型优化算法:该算法能够快速求解模型参数，并对噪声和outliers具有较强的鲁棒性。
3.在公开数据集上进行实验验证，并与现有算法进行比较分析:实验结果表明，本研究提出的方法在聚类准确率和鲁棒性方面均优于现有算法。
6. 计划与进度安排
第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。
第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲
第三阶段（2024.2~2024.3）查询资料，学习相关论文
7. 参考文献（20个中文5个英文）
1.李庆林,王浩,王自然,等.基于自适应权重和低秩约束的多视图子空间聚类[J].软件学报,2021,32(4):978-992.
2.刘洋,徐林莉,黄亚楼.基于共享潜在特征表示的多视图多标签学习算法[J].计算机研究与发展,2020,57(01):23-32.
3.王勇,潘晓英.基于协同表示的多视图子空间聚类算法[J].计算机科学,2020,47(09):245-251.
