稀疏样本自表达子空间聚类算法
针对现有子空间聚类算法在构造相似度矩阵时,没有同时利用样本自表达和稀疏相似度矩阵以及去除噪音、离群点的干扰相结合,提出了一种新的稀疏样本自表达子空间聚类方法。该方法通过样本自表达而充分利用样本间固有相关性的本质,创新性地同时使用L1?范数和L2,1?范数正则化项惩罚相似度矩阵,即对所有测试样本进行稀疏样本自表达,从而确保每个测试样本由与其相关性强的样本表示,并使所获得的相似度矩阵具有良好的子空间结构和鲁棒性。通过Hopkins155和人脸图像等大量数据集的实验结果表明,本文方法在实际数据的子空间聚类中能够获得非常好的效果。
子空间聚类、谱聚类、子空间结构、相似度矩阵、样本自表达
11
TP181(自动化基础理论)
国家自然科学基金项目61263035,61573270,61450001;国家973计划项目2013CB329404;中国博士后科学基金项目2015M570837;广西自然科学基金项目2015GX NSFCB139011;广西研究生教育创新计划项目 YC-SZ2016046, YCSZ2016045.
2016-12-02(万方平台首次上网日期,不代表论文的发表时间)
共7页
696-702