王丽娟，丁世飞

（1. 中国矿业大学 计算机科学与技术学院，江苏 徐州 221116; 2. 徐州工业职业技术学院 信息工程学院，江苏徐州 221114）

聚类[1-3]是一种将数据集划分为若干组或类，使类内相似性最大，类间相似性最小的方法。现有文献提出，传统的聚类方法有k均值算法(kmeans)[4]、FCM算法[5]、子空间聚类等。它们虽然简单，但缺乏处理复杂数据结构的能力，当样本为凸型时，这些算法对数据的处理有较好的效果，当样本空间为非凸时，算法容易陷入局部最优。为解决这一难题，谱聚类应运而生，它不受样本空间形状限制，聚类结果为全局最优解。在这些算法中，由于谱类算法便于实现、性能良好，已被广泛应用于图像分割、信息检索、人脸识别等领域。

谱聚类来源于图论中的最小切割问题[6-8]。众所周知，数据通过非线性变换，将数据映射到高维特征空间后，数据将变得线性可分。因此，可以通过各种非线性变换，例如基于核的方法，提高高维特征空间中输入数据的特征表示能力。然而，以往的谱聚类方法一般只注重数据降维、优化时间复杂度等，而不是进一步提高数据特征的表示能力。在聚类任务中，数据的特征表示是至关重要的，通过反复的实验和一系列的工作，获得良好的数据特征表示是提高聚类准确度的保证。

ELM[9-11]最初用于训练“广义”单隐层前馈神经网络(SLFN)，具有快速学习、良好的泛化能力和特征表示能力，被广泛应用于各种机器学习任务，如回归和分类等[12-14]。近年来，ELM已经扩展到聚类，一般是在ELM获得的嵌入特征空间中进行聚类。……