1. 毕业设计（论文）主要内容：

随着多视觉数据越来越多地出现在日常生活中，针对多视觉数据的分析方法也受到广泛的关注。

目前多视觉聚类的方法已经获得了比较好的性能，但是它们取得好性能的前提是多视觉数据是完备的。

而由于噪声及数据采集设备故障的原因，缺失多视觉数据是非常普遍的现象。

2. 毕业设计（论文）主要任务及要求

（1）查阅并了解缺失多视觉数据聚类方法；
（2）实现多种目前国际领先的多视觉聚类方法及缺失多视觉聚类方法；
（3）构建并实现基于非负矩阵的缺失多视觉聚类算法。
（4）阅读的参考文献不少于15篇（其中近5年外文文献不少于3篇)；
（5）完成不少于12000字的论文的撰写并完成答辩的相关工作；
（6）完成不低于5000汉字（20000英文印刷符）的教师指定的相关文献的英译汉翻译；
（7）正文应包含不少于12幅图（包括：电路原理图、流程图、结构框图、程序框图等）。

3. 毕业设计（论文）完成任务的计划与安排

第1周—第3周 搜集资料，撰写开题报告；
第4周—第5周 论文开题；
第6周—第12周 撰写论文初稿；
第12周—第15周 修改论文；
第16周 论文答辩。

4. 主要参考文献

[1]Sun S . A survey of multi-view machine learning[J]. Neural Computing and Applications, 2013, 23(7-8):2031-2038.
[2]Chao G , Sun S , Bi J . A Survey on Multi-View Clustering[J]. www.arXiv.org, 2017.
[3]Zhao H , Liu H , Fu Y . Incomplete multi-modal visual data grouping[C]. International Joint Conference on Artificial Intelligence. AAAI Press, 2016.
[4]Zong L , Zhang X , Zhao L , et al. Multi-view clustering via multi-manifold regularized non-negative matrix factorization[J]. Neural Networks, 2017, 88:74-89.
[5]Zhang X , Wang Z , Zong L , et al. Multi-view clustering via graph regularized symmetric nonnegative matrix factorization. 2016 IEEE International Conference on Cloud Computing and Big Data Analysis (ICCCBDA). IEEE, 2016.