基于稀疏子空間的高維數(shù)據(jù)聚類關(guān)鍵技術(shù)研究與應(yīng)用.pdf

1、隨著社會的不斷進(jìn)步，計(jì)算機(jī)技術(shù)、互聯(lián)網(wǎng)技術(shù)等不斷發(fā)展，數(shù)據(jù)也越來越豐富和復(fù)雜，針對豐富且復(fù)雜的數(shù)據(jù)進(jìn)行聚類分析的重要方向也越來越受到人們的關(guān)注，高維數(shù)據(jù)聚類更是重點(diǎn)研究的領(lǐng)域。
　　高維數(shù)據(jù)所帶來的“維災(zāi)”，使得本來在低維數(shù)據(jù)上聚類可取得良好效果的方法不能取得好的聚類效果，從而提出了針對高維數(shù)據(jù)的聚類方法，主要分為維度約減和子空間方法。由于維度約減的方法無法保證不損失原始數(shù)據(jù)的信息，基于子空間的方法稱為高維數(shù)據(jù)聚類的重要研究方向。

2、子空間聚類方法有許多基于搜索的方法，比如CLIQUE、PROCLU等，都是基于某種搜索策略，在子空間中搜索類簇，但是由于數(shù)據(jù)分布的密度往往是不一致的，基于搜索的方法往往得不到理想的結(jié)果。
　　本文重點(diǎn)研究稀疏子空間聚類方法，其基于數(shù)據(jù)的自表達(dá)性，利用解決稀疏優(yōu)化問題，將高維數(shù)據(jù)聚類問題轉(zhuǎn)化為對圖的劃分問題，基于圖的劃分原理，采用譜聚類思想，將圖劃分為幾個連通分量，達(dá)到聚類的目的，具有比較好的魯棒性。
　　本文首先介紹了一些經(jīng)

3、典的聚類方法、針對高維數(shù)據(jù)聚類的相關(guān)方法以及經(jīng)典的子空間聚類方法。然后重點(diǎn)研究了稀疏子空間聚類算法的基礎(chǔ)理論及其整個算法流程。然后給出了針對經(jīng)典稀疏子空間聚類方法的兩點(diǎn)改進(jìn)。最后基于 LBP的相關(guān)方法提取圖像特征，將改進(jìn)的稀疏子空間聚類方法解決紋理圖像和人臉圖像聚類問題。本文的主要工作和創(chuàng)新點(diǎn)如下：
　　1、基于非對稱拉普拉斯矩陣Lrw改進(jìn)稀疏子空間（SSC）聚類算法。利用非對稱拉普拉斯矩陣Lrw對經(jīng)典稀疏子空間聚類方法進(jìn)行了改進(jìn)

4、，減少了SSC的時間復(fù)雜度，提高了聚類的速度。
　　2、基于權(quán)值矩陣預(yù)設(shè)K-means聚類初始聚類中心，改進(jìn)稀疏子空間聚類算法?；诮庀∈鑳?yōu)化問題后得到的權(quán)值矩陣W的性質(zhì)，在稀疏子空間聚類的最后利用K-means方法時，設(shè)置相對合理的初始聚類中心，可以防止K-means方法聚類時陷入局部最優(yōu)或者結(jié)果不穩(wěn)定，提高了聚類的準(zhǔn)確率。
　　3、給出一種了利用多尺度LBP旋轉(zhuǎn)不變模式和稀疏子空間聚類算法的紋理圖像聚類方法。該方法首先利

5、用多尺度LBP旋轉(zhuǎn)不變算子獲得高維的紋理圖像特征。然后采用本文改進(jìn)的SSC對得到的高維特征集進(jìn)行聚類。該方法中提出取的紋理圖像高維特征包含了豐富的紋理特征信息，且同一個類的紋理特征接近位于同一個線性子空間中，利用改進(jìn)的SSC對其進(jìn)行聚類能夠得到比較理想的聚類結(jié)果。
　　4、提出基于人臉分塊的LBP等價模式和稀疏子空間聚類算法的人臉圖像聚類方法。該方法首先利用LBP等價模式獨(dú)立計(jì)算每個人臉圖像塊的紋理特征，然后融合所有圖像塊的文理特