APP下载

稀疏样本自表达子空间聚类算法

2016-12-24林大华杨利锋邓振云李永钢

智能系统学报 2016年5期
关键词:效果实验

林大华,杨利锋,邓振云,李永钢,罗

(1.广西电化教育馆,广西 南宁 530022; 2.广西师范大学 广西多源信息挖掘与安全重点实验室,广西 桂林 541004)



稀疏样本自表达子空间聚类算法

林大华1,杨利锋2,邓振云2,李永钢2,罗2

(1.广西电化教育馆,广西 南宁 530022; 2.广西师范大学 广西多源信息挖掘与安全重点实验室,广西 桂林 541004)

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

近几年来,子空间聚类[1]方法作为一种实现高维数据聚类的有效途径,在机器学习、图像处理和计算机视觉等领域已得到广泛应用。其中基于稀疏表示(sparse representation)和低秩表示(low-rank representation)的子空间聚类方法,通过与图划分的谱聚类方法相结合,在运动图像分割、人脸识别等高维数据的聚类方面得到了较好的效果。

子空间聚类又称子空间分割是指把数据的原始特征空间分割为不同的特征子集,从不同的子空间角度考察各个样本聚类划分的意义,同时在聚类过程中为每个样本寻找相应的特征子空间。……

登录APP查看全文

猜你喜欢

效果实验
记一次有趣的实验
按摩效果确有理论依据
做个怪怪长实验
迅速制造慢门虚化效果
抓住“瞬间性”效果
模拟百种唇妆效果
NO与NO2相互转化实验的改进
实践十号上的19项实验
3D—DSA与3D—CTA成像在颅内动脉瘤早期诊断中的应用效果比较
组合练习难度大,贴近实战效果佳