稀疏样本自表达子空间聚类算法

摘要：

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。

关键词：子空间聚类、谱聚类、子空间结构、相似度矩阵、样本自表达

所属期刊栏目：11

分类号：TP181(自动化基础理论)

资助基金：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．

在线出版日期：2016-12-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：696-702