一种增量深度的多视图聚类方法

本申请公开了一种增量深度的多视图聚类方法，包括：利用变分自编码器提取多视图数据的潜在变量，基于潜在变量得到重构数据，并基于重构数据计算变分自编码器的损失函数的第一损失值；若第一损失值小于第一预设阈值，则利用当前潜在变量更新DPMM模型的聚类参数，得到更新后的DPMM模型输出的聚类标签；将更新后的聚类标签加入变分自编码器的损失函数，得到总损失函数，若总损失函数的第二损失值小于第二预设阈值，则将聚类标签作为多视图数据的聚类结果输出。本申请能够更好地捕捉不同视图数据的复杂分布，使得DPMM模型的聚类数量能够保持稳定。同时，能够有效地利用已有信息进行新的学习过程，而无需重新训练，适用于多种实际应用场景。