不完整多视图聚类综述

doi:10.11772/j.issn.1001-9081.2023060813

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (6): 1673-1682.DOI: 10.11772/j.issn.1001-9081.2023060813

• CCF第38届中国计算机应用大会 (CCF NCCA 2023) • 上一篇下一篇

不完整多视图聚类综述

董瑶¹^,²^,³, 付怡雪¹^,²^,³, 董永峰¹^,²^,³(), 史进¹, 陈晨¹^,²^,³

^1.河北工业大学人工智能与数据科学学院, 天津 300401
^2.河北省大数据计算重点实验室(河北工业大学), 天津 300401
^3.河北省数据驱动工业智能工程研究中心(河北工业大学), 天津 300401

收稿日期:2023-06-25 修回日期:2023-07-18 接受日期:2023-08-03 发布日期:2023-08-21 出版日期:2024-06-10
通讯作者: 董永峰
作者简介:董瑶（1982—），女，河北唐山人，高级实验师，博士研究生，CCF会员，主要研究方向：人工智能、图数据挖掘
付怡雪（1999—），女，河北唐山人，硕士研究生，主要研究方向：知识图谱、多视图聚类
史进（1981—），男，河北张家口人，助理研究员，硕士，主要研究方向：人工智能、数据挖掘
陈晨（1997—），女，黑龙江鹤岗人，硕士研究生，主要研究方向：知识图谱、图聚类。
基金资助:
河北省高等学校科学技术研究项目(QN2021213);河北省高等教育教学改革研究与实践项目(2020GJJG027)

Survey of incomplete multi-view clustering

Yao DONG¹^,²^,³, Yixue FU¹^,²^,³, Yongfeng DONG¹^,²^,³(), Jin SHI¹, Chen CHEN¹^,²^,³

^1.School of Artificial Intelligence，Hebei University of Technology，Tianjin 300401，China
^2.Hebei Province Key Laboratory of Big Data Computing （Hebei University of Technology），Tianjin 300401，China
^3.Hebei Engineering Research Center of Data?Driven Industrial Intelligence （Hebei University of Technology），Tianjin 300401，China

Received:2023-06-25 Revised:2023-07-18 Accepted:2023-08-03 Online:2023-08-21 Published:2024-06-10
Contact: Yongfeng DONG
About author:DONG Yao， born in 1982， Ph. D. candidate， senior experimentalist. Her research interests include artificial intelligence， graph data mining.
FU Yixue， born in 1999， M.S. candidate. Her research interests include knowledge graph， multi-view clustering.
SHI Jin， born in 1981， M. S.， assistant research fellow. His research interests include artificial intelligence， data mining.
CHEN Chen， born in 1997， M. S. candidate. Her research interests include knowledge graph， graph clustering.
Supported by:
Science and Technology Research Project of Hebei Province Colleges and Universities(QN2021213);Hebei Higher Education Teaching Reform Research and Practice Project(2020GJJG027)

摘要/Abstract

摘要：

多视图聚类是近年来图数据挖掘领域的研究热点。由于数据采集技术的限制或人为因素等原因常导致视图或样本缺失问题。降低多视图的不完整性对聚类效果的影响是多视图聚类目前面临的重大挑战。因此，综合研究不完整多视图聚类（IMC）近年的发展具有重要的理论意义和实践价值。首先，归纳分析不完整多视图数据缺失类型；其次，详细比较基于多核学习（MKL）、矩阵分解（MF）学习、深度学习和图学习这4类IMC方法，分析代表性方法的技术特点和区别；再次，从数据集类型、视图和类别数量、应用领域等角度总结22个公开不完整多视图数据集；继次，总结评价指标，并系统分析现有不完整多视图聚类方法在同构和异构数据集上的性能表现；最后，归纳分析不完整多视图聚类目前存在的问题、未来的发展方向和现有应用领域。

关键词: 不完整性, 多视图聚类, 图数据挖掘, 缺失视图, 多视图学习

Abstract:

Multi-view clustering has recently been a hot topic in graph data mining. However， due to the limitations of data collection technology or human factors， multi-view data often has the problem of missing views or samples. Reducing the impact of incomplete views on clustering performance is a major challenge currently faced by multi-view clustering. In order to better understand the development of Incomplete Multi-view Clustering （IMC） in recent years， a comprehensive review is of great theoretical significance and practical value. Firstly， the missing types of incomplete multi-view data were summarized and analyzed. Secondly， four types of IMC methods， based on Multiple Kernel Learning （MKL）， Matrix Factorization （MF） learning， deep learning， and graph learning were compared， and the technical characteristics and differences among the methods were analyzed. Thirdly， from the perspectives of dataset types， the numbers of views and categories， and application fields， twenty-two public incomplete multi-view datasets were summarized. Then， the evaluation metrics were outlined， and the performance of existing incomplete multi-view clustering methods on homogeneous and heterogeneous datasets were evaluated. Finally， the existing problems， future research directions， and existing application fields of incomplete multi-view clustering were discussed.

Key words: incompleteness, multi-view clustering, graph data mining, missing view, multi-view learning

中图分类号:

TP391.4

董瑶, 付怡雪, 董永峰, 史进, 陈晨. 不完整多视图聚类综述[J]. 计算机应用, 2024, 44(6): 1673-1682.

Yao DONG, Yixue FU, Yongfeng DONG, Jin SHI, Chen CHEN. Survey of incomplete multi-view clustering[J]. Journal of Computer Applications, 2024, 44(6): 1673-1682.

图/表 12

参考文献 60

1	ZHOU J， ZHANG Q， ZHANG B. An automatic multi-view disease detection system via collective deep region-based feature representation［J］. Future Generation Computer Systems， 2021， 115： 59-75.
2	YANG X， XU W， LENG D， et al. Exploring novel disease-disease associations based on multi-view fusion network［J］. Computational and Structural Biotechnology Journal， 2023， 21： 1807-1819.
3	WANG D-H， LI J， ZHU S. Few-labeled visual recognition for self-driving using multi-view visual-semantic representation［J］. Neurocomputing， 2021， 428： 361-367.
4	WANG G， ZHANG X， PENG Z， et al. MOL： towards accurate weakly supervised remote sensing object detection via multi-view noisy learning［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2023， 196： 457-470.
5	BHATT G， JHA P， RAMAN B. Representation learning using step-based deep multi-modal autoencoders［J］. Pattern Recognition， 2019， 95： 12-23.
6	YU J， WU X-J， KITTLER J. Learning discriminative hashing codes for cross-modal retrieval based on multi-view features［EB/OL］. ［2023-05-30］. .
7	JING P， SU Y， NIE L， et al. Low-rank multi-view embedding learning for micro-video popularity prediction［J］. IEEE Transactions on Knowledge and Data Engineering， 2018， 30（8）： 1519-1532.
8	MA C， LYU L， LU G， et al. Adaptive multiview graph difference analysis for video summarization［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2022， 32（12）： 8795-8808.
9	LI S-Y， JIANG Y， ZHOU Z-H. Partial multi-view clustering［C］// Proceedings of the 28th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2014： 1968-1974.
10	ZHAO H， LIU H， FU Y. Incomplete multi-modal visual data grouping［C］// Proceedings of the 25th International Joint Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2016： 2392-2398.
11	XU N， GUO Y， ZHENG X， et al. Partial multi-view subspace clustering［C］// Proceedings of the 26th ACM International Conference on Multimedia. New York： ACM， 2018： 1794-1801.
12	WEN J， ZHANG Z， XU Y， et al. Incomplete multi-view clustering via graph regularized matrix factorization［C］// Proceedings of the 15th European Conference on Computer Vision. Berlin： Springer， 2018： 593-608.
13	SHAO W， HE L， YU P S. Multiple incomplete views clustering via weighted nonnegative matrix factorization with L_2，1 regularization［C］// Proceedings of the 2015 European Conference on Machine Learning and Knowledge Discovery in Databases. Cham： Springer， 2015： 318-334.
14	SHAO W， HE L， LU C-T， et al. Online multi-view clustering with incomplete views［C］// Proceedings of the 2016 IEEE International Conference on Big Data. Piscataway： IEEE， 2016： 1012-1017.
15	HU M， CHEN S. Doubly aligned incomplete multi-view clustering［C］// Proceedings of the 27th International Joint Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2018： 2262-2268.
16	HU M， CHEN S. One-pass incomplete multi-view clustering ［C］// Proceedings of the 33rd AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2019： 3838-3845.
17	RAI N， NEGI S， CHAUDHURY S， et al. Partial multi-view clustering using graph regularized NMF［C］// Proceedings of the 2016 3rd International Conference on Pattern Recognition. Piscataway： IEEE， 2016： 2192-2197.
18	LIU X， LI M， WANG L， et al. Multiple kernel k-means with incomplete kernels ［C］// Proceedings of the 31st AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2017： 2259-2265.
19	LIU X， ZHU X， LI M， et al. Multiple kernel k-means with incomplete kernels［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 42（5）： 1191-1204.
20	LIU X， LI M， TANG C， et al. Efficient and effective regularized incomplete multi-view clustering［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021， 43（8）： 2634-2646.
21	LIU Z， CHEN Z， LI Y， et al. IMC-NLT： incomplete multi-view clustering by NMF and low-rank tensor ［J］. Expert Systems with Applications， 2023， 221： 119742.
22	TAO H， HOU C， YI D， et al. Joint embedding learning and low-rank approximation： a framework for incomplete multi-view learning ［J］. IEEE Transactions on Cybernetics， 2021， 51（3）： 1690-1703.
23	NIU G， YANG Y， SUN L. One-step multi-view subspace clustering with incomplete views［J］. Neurocomputing， 2021， 438： 290-301.
24	WANG Q， DING Z， TAO Z， et al. Partial multi-view clustering via consistent GAN［C］// Proceedings of the 2018 IEEE International Conference on Data Mining. Piscataway： IEEE， 2018： 1290-1295.
25	XU C， GUAN Z， ZHAO W， et al. Adversarial incomplete multi-view clustering ［C］// Proceedings of the 28th International Joint Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2019： 3933-3939.
26	WEN J， ZHANG Z， XU Y， et al. CDIMC-net： cognitive deep incomplete multi-view clustering network ［C］// Proceedings of the 29th International Joint Conference on Artificial Intelligence. California： ijcai.org， 2020： 3230-3236.
27	WANG Q， LIAN H， SUN G， et al. iCmSC： incomplete cross-modal subspace clustering［J］. IEEE Transactions on Image Processing， 2020， 30： 305-317.
28	GUO X， LIU X， ZHU E， et al. Adaptive self-paced deep clustering with data augmentation［J］. IEEE Transactions on Knowledge and Data Engineering， 2020， 32（9）： 1680-1693.
29	WEN J， ZHANG Z， XU Y， et al. Unified embedding alignment with missing views inferring for incomplete multi-view clustering［C］// Proceedings of the 33rd AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2019： 5393-5400.
30	WEN J， XU Y， LIU H. Incomplete multi-view spectral clustering with adaptive graph learning［J］. IEEE Transactions on Cybernetics， 2020， 50（4）： 1418-1429.
31	LIANG N， YANG Z， XIE S. Incomplete multi-view clustering with sample-level auto-weighted graph fusion［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（6）： 6504-6511.
32	WEN J， ZHANG Z， FEI L， et al. A survey on incomplete multiview clustering［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2023， 53（2）： 1136-1149.
33	SIM T， BAKER S， BSAT M. The CMU Pose， Illumination， and Expression （PIE） database［C］// Proceedings of the 5th IEEE International Conference on Automatic Face and Gesture Recognition. Piscataway： IEEE， 2002：53-58.
34	DAI Z， LIU S， WU J， et al. Analysis of adult disease characteristics and mortality on MIMIC-Ⅲ［J］. PLoS ONE， 2020， 15（4）： e0232176.
35	YU Y， KIM Y-J. Attention-LSTM-Attention model for speech emotion recognition and analysis of IEMOCAP database［J］. Electronics， 2020， 9（5）： 713.
36	YANG W， SHI Y， GAO Y， et al. Incomplete-data oriented multiview dimension reduction via sparse low-rank representation［J］. IEEE Transactions on Neural Networks and Learning Systems， 2018， 29（12）： 6276-6291.
37	ZHONG W， XIE K， LIU Y， et al. Distributed demand response for multienergy residential communities with incomplete information［J］. IEEE Transactions on Industrial Informatics， 2021， 17（1）： 547-557.
38	HAMED A， SOBHY A， NASSAR H. Distributed approach for computing rough set approximations of big incomplete information systems ［J］. Information Sciences， 2021， 547： 427-449.
39	HUANG Y， GUO K， YI X， et al. Incremental unsupervised feature selection for dynamic incomplete multi-view data［J］. Information Fusion， 2023， 96： 312-327.
40	WANG S， CAO J， LEI F， et al. Multiple kernel-based anchor graph coupled low-rank tensor learning for incomplete multi-view clustering ［J］. Applied Intelligence， 2023， 53（4）： 3687-3712.
41	XIE M， YE Z， PAN G， et al. Incomplete multi-view subspace clustering with adaptive instance-sample mapping and deep feature fusion ［J］. Applied Intelligence， 2021， 51（8）： 5584-5597.
42	WANG S， CHEN Y， YI S， et al. Frobenius norm-regularized robust graph learning for multi-view subspace clustering［J］. Applied Intelligence， 2022， 52（13）： 14935-14948.
43	YANG M， LI Y， HU P， et al. Robust multi-view clustering with incomplete information ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（1）： 1055-1069.
44	SONG Y， LI M， ZHU Z， et al. Nonnegative latent factor analysis-incorporated and feature-weighted fuzzy double c-means clustering for incomplete data［J］. IEEE Transactions on Fuzzy Systems， 2022， 30（10）： 4165-4176.
45	CHOUDHURY S J， PAL N R. Fuzzy clustering of single-view incomplete data using a multiview framework［J］. IEEE Transactions on Fuzzy Systems， 2022， 30（12）： 5312-5323.
46	FANG X， HU Y， ZHOU P， et al. ANIMC： a soft approach for auto-weighted noisy and incomplete multi-view clustering［EB/OL］. （2021-09-28）［2023-07-09］. .
47	WANG S， CAO J， LEI F， et al. Semi-supervised multi-view clustering with weighted anchor graph embedding［J］. Computational Intelligence and Neuroscience， 2021， 2021： 4296247.
48	XU J， LI C， PENG L， et al. Adaptive feature projection with distribution alignment for deep incomplete multi-view clustering［J］. IEEE Transactions on Image Processing， 2023， 32： 1354-1366.
49	YANG J-H， FU L-L， CHEN C， et al. Cross-view graph matching for incomplete multi-view clustering ［J］. Neurocomputing， 2023， 515： 79-88.
50	ZHUGE W， TAO H， LUO T， et al. Joint representation learning and clustering： a framework for grouping partial multi-view data［J］. IEEE Transactions on Knowledge and Data Engineering， 2022， 34（8）： 3826-3840.
51	张翠芳，李成文利，邹应全，等.基于DST融合多视图模糊推理赋值的三维目标检测［J］.控制与决策，2021，36（4）：867-875.
	ZHANG C F， LI C W L， ZOU Y Q， et al. 3D object detection based on DST fusion multi-view fuzzy reasoning assignment［J］. Control and Decision， 2021， 36（4）： 867-875.
52	史小艳，陈松灿.基于单簇聚类的非对齐多视图异常检测算法［J］.中国科学：信息科学，2021，51（12）： 2037-2052.
	SHI X Y， CHEN S C. Non-aligned multi-view anomaly detection algorithms based on one-cluster clustering［J］. SCIENTIA SINICA Informationis， 2021， 51（12）： 2037-2052.
53	YUAN L， WANG Y， THOMPSON P M， et al. Multi-source learning for joint analysis of incomplete multi-modality neuroimaging data ［J］. NeuroImage， 2012， 61（3）： 622-632.
54	ZHANG Q， WEN J， ZHOU J， et al. Missing-view completion for fatty liver disease detection［J］. Computers in Biology and Medicine， 2022， 150： 106097.
55	ARYA N， SAHA S. Generative incomplete multi-view prognosis predictor for breast cancer： GIMPP ［J］. IEEE/ACM Transactions on Computational Biology and Bioinformatics， 2022， 19（4）： 2252-2263.
56	ARYA N， SAHA S， MATHUR A， et al. Improving the robustness and stability of a machine learning model for breast cancer prognosis through the use of multi-modal classifiers ［J］. Scientific Reports， 2023， 13： 4079.
57	LI L. MPGraph： multi-view penalised graph clustering for predicting drug-target interactions［J］. IET Systems Biology， 2014， 8（2）： 67-73.
58	闫效莺，康磊，李润洲.基于异构网络的标签传播算法预测药物靶点关系［J］.计算机应用研究，2017，34（4）：1011-1013，1017.
	YAN X Y， KANG L， LI R Z. Prediction of drug-target interaction by heterogeneous network-based label propagation algorithm ［J］. Application Research of Computers， 2017， 34（4）： 1011-1013，1017.
59	YIN H， WANG W， CHEN L， et al. Mobi-SAGE-RS： a sparse additive generative model-based mobile application recommender system ［J］. Knowledge-Based Systems， 2018， 157： 68-80.
60	GU Z， FENG S. Individuality meets commonality： a unified graph learning framework for multi-view clustering［J］. ACM Transactions on Knowledge Discovery from Data， 2023， 17（1）： 7.

方法	优点	缺点
基于MKL的IMC方法	能处理高维数据，保持多个视图间的一致性；通过设置不同的核函数和正则化项，有效控制聚类结果的质量	依赖内核的选择，计算复杂度高，时间代价大
基于MF学习的IMC方法	对数据进行压缩和降维，计算复杂度低	需指定MF的参数；对噪声敏感，易受异常值或错误标签影响
基于深度学习的IMC方法	自动提取多视图中的特征信息，优化聚类结果；具有可扩展性和鲁棒性	融合技术不成熟，融合效率低；需大量训练数据，对数据量及质量要求高
基于图学习的IMC方法	可解决分布复杂的不完整多视图数据；有效利用不完整视图的几何结构	对图结构的建立敏感，需合理选择相似度度量方式和阈值；计算复杂度高，时间代价大

方法	优点	缺点
基于MKL的IMC方法	能处理高维数据，保持多个视图间的一致性；通过设置不同的核函数和正则化项，有效控制聚类结果的质量	依赖内核的选择，计算复杂度高，时间代价大
基于MF学习的IMC方法	对数据进行压缩和降维，计算复杂度低	需指定MF的参数；对噪声敏感，易受异常值或错误标签影响
基于深度学习的IMC方法	自动提取多视图中的特征信息，优化聚类结果；具有可扩展性和鲁棒性	融合技术不成熟，融合效率低；需大量训练数据，对数据量及质量要求高
基于图学习的IMC方法	可解决分布复杂的不完整多视图数据；有效利用不完整视图的几何结构	对图结构的建立敏感，需合理选择相似度度量方式和阈值；计算复杂度高，时间代价大

方法	优点	缺点
MKKM-IK^［18］	集成计算和聚类过程，高缺失比效果显著；可处理非线性数据	对噪声和冗余数据敏感
MKKM-IK-MKC^［19］	降低冗余和无关核权重，增加选定内核多样性；可处理非线性数据	核矩阵计算方式密集，存储和优化复杂
EE-IMVC^［20］	对齐共识矩阵和自适应加权基矩阵，计算难度和空间复杂度低	不利用辅助信息，不利于聚类矩阵填补，难以适用大规模数据集
EE-R-IMVC^［20］	时间代价小；避免局部最优，聚类效果好	对噪声敏感，需先验知识

方法	优点	缺点
MKKM-IK^［18］	集成计算和聚类过程，高缺失比效果显著；可处理非线性数据	对噪声和冗余数据敏感
MKKM-IK-MKC^［19］	降低冗余和无关核权重，增加选定内核多样性；可处理非线性数据	核矩阵计算方式密集，存储和优化复杂
EE-IMVC^［20］	对齐共识矩阵和自适应加权基矩阵，计算难度和空间复杂度低	不利用辅助信息，不利于聚类矩阵填补，难以适用大规模数据集
EE-R-IMVC^［20］	时间代价小；避免局部最优，聚类效果好	对噪声敏感，需先验知识

方法类型	方法	优点	缺点
基于 NMF	PVC^［9］	聚类效果好，收敛速度高	对噪声敏感，只适用两个视图，不适用非线性潜在子空间与非负约束
	IMG^［10］	摆脱非负约束，考虑低维空间投影系数的全局结构，得到鲁棒的分组结构	只适用两个视图
	MIC^［13］	可扩展到两个以上视图，对噪声和离群值具有鲁棒性	只考虑缺失样本的影响，忽略不同视图的贡献
	DAIMC^［15］	适用两个以上视图，减少缺失样本的影响	无法适用大规模数据
	IMC-NLT^［21］	可捕获视图内部的相关性，对全局提取的一致性信息和噪声具有鲁棒性	未将低秩张量填充模型扩展到深度模型
基于 LRMF	IML-BDR^［22］	探索底层的聚类结构，保持表示能力，学习的嵌入矩阵具有鉴别性	对离群点敏感，未联系表示学习和聚类过程
基于 LRMF	OMVSC-IV^［23］	集成表示学习和聚类过程，不需后处理，避免初始值敏感	缺失率高时，聚类性能差

不完整多视图聚类综述

Survey of incomplete multi-view clustering

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 60

相关文章 10

编辑推荐

Metrics

应用领域	数据集	数据集类型	视图数	类数	样本数
文本分类	CiteSeer^［32］	同构	3	6	3 312
	Cora^［32］	同构	2	7	2 708
	WebKB^［17］	同构	4	5	8 282
	BBC^［23］	同构	5	5	2 225
	BBCSport^［23］	同构	4	5	737
	Newsgroup^［32］	同构	—	20	18 846
	3Source^［15］	异构	3	6	416
图像分类	Corel^［32］	同构	10	100	60 000
图像分类	NUSWIDE^［28］	同构	5	31	30 000
数字识别	UCI Handwritten Digits^［20］	同构	6	10	5 620
数字识别	MNIST^［28］	同构	2	10	70 000
人脸识别	CMU PIE^［33］	同构	4	68	41 368
	ORL^［23］	同构	3	40	400
	Yale^［23］	同构	11	15	165
	BUAA^［10］	异构	2	10	90
物体分类	Caltech-101^［19］	同构	6	101	9 144
物体分类	CIFAR-10^［28］	同构	3	10	60 000
花卉分类	Flower17^［19］	同构	5	17	1 360
动物分类	AWA^［32］	异构	3	50	37 322
医疗分类	MIMIC-Ⅲ^［34］	异构	—	270	42 445
生物分类	BDGP^［28］	同构	4	5	2 500
情感分析	IEMOCAP^［35］	异构	—	4	5 530

[1]	何子仪, 杨燕, 张熠玲. 深度融合多视图聚类网络[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2651-2656.
[2]	劳景欢, 黄栋, 王昌栋, 赖剑煌. 基于视图互信息加权的多视图集成聚类算法[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1713-1718.
[3]	管娇娇, 钱雪忠, 周世兵, 姜凯彬, 宋威. 基于格拉斯曼流形子空间融合的多视图聚类[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3740-3749.
[4]	李杏峰, 黄玉清, 任珍文, 李毅红. 基于自适应邻域的鲁棒多视图聚类算法[J]. 计算机应用, 2021, 41(4): 1093-1099.
[5]	徐周波, 杨健, 刘华东, 黄文文. 基于XGBoost与拓扑结构信息的蛋白质复合物识别算法[J]. 计算机应用, 2020, 40(5): 1510-1514.
[6]	冯辉, 荆晓远, 朱小柯. 基于多视图特征投影与合成解析字典学习的图像分类[J]. 计算机应用, 2017, 37(7): 1960-1966.
[7]	李晋, 钱旭. 基于双重鉴别相关性分析的图像识别算法[J]. 计算机应用, 2016, 36(3): 713-717.
[8]	常新功马尚才贾伟. 快速的混合进化子结构发现算法[J]. 计算机应用, 2009, 29(06): 1594-1614.
[9]	常新功寇纪淞李敏强. 进化子结构发现在区域经济研究中的应用[J]. 计算机应用, 2008, 28(5): 1173-1176.
[10]	常新功寇纪淞李敏强. 基于带状态回溯个体进化的子结构发现[J]. 计算机应用, 2007, 27(8): 1944-1947.