稀疏樣本自表達的子空間聚類算法.pdf

1、實際應(yīng)用中，子空間聚類方法可以從高維數(shù)據(jù)中尋找一個低維表示，用少量的數(shù)據(jù)就能去描述整個數(shù)據(jù)空間。這在很大程度上提升了高維數(shù)據(jù)處理的效率。目前已存在不同形式的子空間聚類方法有不同的適用環(huán)境。其中基于譜聚類的子空間聚類算法是應(yīng)用較為普遍的一類處理高維數(shù)據(jù)的聚類方法?，F(xiàn)有的基于譜聚類的子空間聚類算法通常圍繞數(shù)據(jù)的局部或全局信息去構(gòu)建數(shù)據(jù)的相似度矩陣，然后通過譜聚類對該相似度矩陣進行處理獲得最后的聚類結(jié)果。這些算法主要的差異在于構(gòu)建相似度矩陣的

2、方法。一個好的相似度矩陣往往可以更好的體現(xiàn)數(shù)據(jù)子空間結(jié)構(gòu)，而有利于處理高維數(shù)據(jù)中數(shù)據(jù)可能來自多個不同子空間的復(fù)雜情況。因此，本文給出了一種基于稀疏樣本自表達模型的算法去構(gòu)建相似度矩陣。該算法主要有以下幾個創(chuàng)新點:
　　1.該算法利用樣本之間固有相關(guān)性找出一組與待測樣本相關(guān)性強的樣本去度量樣本之間的相似度，以便更好的體現(xiàn)樣本之間的相似關(guān)系。
　　2.該算法首先通過l1-范數(shù)對自表達矩陣進行全局稀疏，使其更能體現(xiàn)出樣本空間的低維