稀疏子空间聚类及应用研究

发布时间：2021-06-10 10:43

　　随着物网技术的快速发展和大数据时代的到来,高维数据在图像处理、模式识别、计算机视觉以及机器学习等领域无处不在,这对传统的聚类分析方法提出了严峻的挑战。子空间聚类作为处理高维数据聚类问题的重要技术和方法,为高维数据聚类的有效实现提供了途径。在众多的子空间聚类方法中,基于稀疏表示的谱型聚类方法由于其优越的聚类性能、易处理和计算的有效性等特点受到了国内外学者的广泛关注,已成为子空间聚类研究的热点,并且在图像的表示、分割、运动分割以及图像的显著性检测等问题上取得了成功的应用。本文基于稀疏表示的谱型聚类方法框架,针对现有模型中存在的一些问题,在提升稀疏性、数据误差处理、算法的有效实现、模型推广以及应用等方面进行了探讨和研究。本文的主要贡献概述如下:1.针对稀疏子空间聚类问题中,因使用l1范数代替l0范数,在某些情况下易导致在大的表示系数上造成大的偏差,造成聚类性能退化的问题,提出了一个l0范数的广义非凸近似。理论证明所提出的非凸近似比l1范数能够更紧致地逼近l0范数。此外,所提出的广义非凸近似将常见的一些l0范数的近似统一到同一个解析结构,并且给出了一大类新的近似。结合所提出的广义非凸近似到子空... 

【文章来源】：江南大学江苏省 211工程院校 教育部直属院校

【文章页数】：109 页

【学位级别】：博士

【部分图文】：

图１．２人脸聚类：从上到下依次为给定的３个受试体的人脸图像和聚类结果

图１．３误差示例图，从左到右依次为：高斯噪声，稀疏奇异元和异常值

图１．４稀疏子空间聚类及应用研究的主要组织结构

【参考文献】：
期刊论文
[1]一种基于多属性权重的分类数据子空间聚类算法[J]. 庞宁,张继福,秦啸.  自动化学报. 2018(03)
[2]快速可扩展的子空间聚类算法[J]. 刘博,谢博鋆,朱杰,景丽萍,于剑.  模式识别与人工智能. 2016(01)
[3]局部子空间聚类[J]. 刘展杰,陈晓云.  自动化学报. 2016(08)
[4]稀疏子空间聚类综述[J]. 王卫卫,李小平,冯象初,王斯琪.  自动化学报. 2015(08)
[5]一种基于数据流的软子空间聚类算法[J]. 朱林,雷景生,毕忠勤,杨杰.  软件学报. 2013(11)
[6]基于差分演化算法的软子空间聚类[J]. 毕志升,王甲海,印鉴.  计算机学报. 2012(10)
[7]压缩感知及其应用:从稀疏约束到低秩约束优化[J]. 马坚伟,徐杰,鲍跃全,于四伟.  信号处理. 2012(05)
[8]聚类分析研究中的若干问题[J]. 王骏,王士同,邓赵红.  控制与决策. 2012(03)
[9]自适应的软子空间聚类算法[J]. 陈黎飞,郭躬德,姜青山.  软件学报. 2010(10)

博士论文
[1]基于稀疏表示的混合属性数据聚类关键技术研究[D]. 邵晓晨.北京科技大学 2018
[2]几类基于数据重建的子空间聚类问题研究[D]. 李宝华.大连理工大学 2017
[3]基于图的高维数据聚类方法研究[D]. 杜宁.东北师范大学 2017
[4]基于自表达的多视角子空间聚类方法研究[D]. 张长青.天津大学 2016
[5]高维数据上的聚类方法研究[D]. 任亚洲.华南理工大学 2014



本文编号：3222226