基于划分融合与视角加权的极大熵聚类算法

针对极大熵聚类算法在处理多视角聚类任务时存在的局限性,引入划分融合和视角加权技术,提出一种改进的极大熵聚类算法。通过对视角分配权重体现其重要程度,在此基础上对每个视角进行单独划分,利用融合权重矩阵实现视角划分的融合,并采用新的集成策略得到全局聚类结果。在人工数据集和UCI数据集上的实验结果表明,与极大熵聚类算法、基于多任务的组合K-means算法等相比,该算法具有更好的多视角聚类性能。

单步划分融合多视图子空间聚类算法

多视图子空间聚类方法因其可以揭示数据内在的低维结构而被广泛关注,但大多数现有的多视图子空间聚类算法直接将多个来自原始数据的充满噪声的相似度矩阵进行融合,并且通常是在得到一致的多视图表示之后再使用K均值算法聚类得到最终的结果,这种将表示的学习过程和后续的聚类过程分离的两阶段算法会导致无法得到最优的聚类结果。为了解决这些问题,提出一种单步划分融合多视图子空间聚类算法。该算法不是直接融合具有噪声和冗余信息的相似度矩阵,而是从相似度矩阵中提取出更具有判别性信息的划分级信息进行融合。提出一个新的框架,将表示学习、多视图信息融合以及最后的聚类过程整合在同一框架中。这三个过程彼此促进,好的聚类结果可以引导生成更好的多视图表示,从而得到更好的聚类效果。提出一种有效的轮替优化算法来解决由此得到的优化问题。最后,在四个真实的基准数据集上得到的实验结果可以证明提出方法的有效性以及先进性。

音乐教学的层次与方面

音乐教学有不同的层次与方面,且理论和经验告诉我们:音乐的学与教应按照'感—思—行—识—论—作'的方式展开。虽然音乐教学可划分为不同的层次,但这并不意味着教师可以采用零敲碎打的方式进行教学,教师应使音乐教学的各个层次与环节具有内在的联系,环环相扣、融会贯通。