基于自步学习和数据增强的聚类方法

本发明涉及一种基于自步学习和数据增强的聚类方法，包括以下步骤：在预训练阶段中，全连接的自动编码器通过最小化输入增强的例子和输出重构的例子之间的均值误差损失Lr来进行训练；在微调阶段中，首先从预训练的自动编码器中摘录编码器，得到输入的原样本xi的特征点zi；将特征点zi反馈给k‑means算法来确定分区，然后交替更新w，u和聚类分配ai，w表示编码器的参数，u表示解码器的参数。本发明通过自适应的自步学习方法，将随机擦除数据增强技术融入到基本模型的两个阶段中，通过忽略靠近决策边界的样本来稳定所提出的深度聚类模型的训练，控制选取可信度高的样本训练。本发明提出了算法的优化过程，并进行了算法流程和复杂度分析，展示了整个模型的设计图。通过忽略靠近决策边界的样本来稳定所提出的深度聚类模型的训练。本发明将随机擦除数据增强技术融入到基本模型的两个阶段中，提升聚类算法的精度。