1、人們的生活包含著各式各樣的數(shù)據(jù)，許多數(shù)據(jù)中都含有很重要的信息。數(shù)據(jù)挖掘就是從海量數(shù)據(jù)中提取重要信息的一種技術。作為數(shù)據(jù)挖掘中的一個重要方法，聚類分析可以有效地將這些數(shù)據(jù)按照相似度劃分為不同的簇，可以便捷地發(fā)現(xiàn)數(shù)據(jù)對象的內在分布規(guī)律。每個簇中的數(shù)據(jù)樣本都具有相似的信息，不同簇間的數(shù)據(jù)具有差異較大的信息。而隨著數(shù)據(jù)越來越復雜，傳統(tǒng)的聚類算法無法從多個角度對數(shù)據(jù)進行分析，多視圖聚類算法應運而生，并成為了現(xiàn)階段研究的熱點。多視圖數(shù)據(jù)集是由從不同

2、角度描述同一事物的數(shù)據(jù)組成的，多視圖聚類算法通過組合所有視圖中的有效信息對樣本進行聚類，并得到最終的聚類結果。
　　核函數(shù)是處理線性不可分數(shù)據(jù)的一種有效方法，而多核學習(MKL)是對核函數(shù)的一種改進方法，其將現(xiàn)有的核函數(shù)進行線性組合得到組合核函數(shù)來代替單核函數(shù)，并通過調整每個核函數(shù)的權重，使其適用于不同類型的數(shù)據(jù)集。本文基于多核學習的思想，提出基于樣本加權和多核學習的多視圖聚類算法，此算法通過對不同視圖對某個樣本的貢獻度加權，并將

3、權重的乘積設置為1，增加貢獻度較高的視圖所占的比重，提高聚類質量。本文還引入了改進的加權高斯核，解決了核函數(shù)選擇的問題，最終通過迭代方法獲得權重值與聚類結果。通過在多個數(shù)據(jù)集上進行實驗證明了該算法具有更高的聚類質量。
　　增量聚類算法是一種處理動態(tài)增加數(shù)據(jù)的經(jīng)典方法。在已有聚類結果的基礎上，逐個或逐批次的處理新增數(shù)據(jù)，可以避免大量的重復計算，以提高聚類效率。本文將增量聚類應用于多視圖數(shù)據(jù)集上，提出了基于核K-means的多視圖增量