结构约束的对称低秩表示子空间聚类算法
2021-04-29鲍灵浪
计算机工程 2021年4期
关键词:结构
陶 洋,鲍灵浪,胡 昊
(重庆邮电大学通信与信息工程学院,重庆 400065)
0 概述
在现实世界中,高维数据的局部结构和全局结构都较为复杂,且此类数据通常位于多个低维子空间的并集中。基于这一事实,许多对应子空间的聚类算法相继被提出,用于解决高维数据的聚类问题。子空间聚类方法将数据分割至对应的子空间,用以揭示高维数据的潜在子空间结构,目前已被广泛应用于显著性检测[1]、运动分割[2]、人脸聚类[3-4]和图像分割[5]等领域。将基于表示的方法与谱聚类算法[6-8]相结合是其中一种具有代表性的方法,其先从给定的样本数据中学习数据之间的相似度矩阵,再将相似度矩阵应用于谱聚类中以获得最终的聚类结果。此类方法成功的关键是构造一个“好”的相似度矩阵。文献[9]提出稀疏子空间聚类(Sparse Subspace Clustering,SSC)方法,通过l1范数最小化技术找到每个数据向量的稀疏表示矩阵,但其解缺乏全局约束。文献[10]提出一种低秩表示(Low-Rank Representation,LRR)聚类方法,利用矩阵的核范数来查找所有数据的最低秩表示,从而捕获数据的全局结构。文献[11]提出一种对称约束的低秩表示聚类(LRRSC)方法,将对称约束应用于低秩表示中以提高原始低秩表示算法的聚类精度。文献[12]通过将高斯场与调和函数合并到LRR 框架中,提出一种非负低秩表示聚类方法,在一个优化步骤中同时完成了相似度矩阵构建和子空间聚类。文献[13]提出一种局部与结构正则化的低秩表示(LSLRR)聚类方法,该方法同时考虑数据的局部几何结构和全局块对角线结构,弥补了经典LRR 聚类方法的不足。……
登录APP查看全文
