一种基于一致性和结构化表示学习的多视角聚类方法

本发明提供一种基于一致性和结构化表示学习的多视角聚类方法，包括：对获取的待处理样本进行数据预处理，生成初始共识表征；通过自加权对比融合机制评估所述初始共识表征中每个视图的可靠性，并为每个视图的对比学习分配可学习的权重，生成优化后的共识表征；通过U‑Pro特征细化子模块过滤所述优化后的共识表征的内部冗余和噪声，生成目标特征表征；将所述目标特征表征输入双级结构感知对比模块，得到聚类结果。本发明的方法确保了最终的表示不仅具有鲁棒性，而且具有最优的聚类结构。