基于稀疏子空間的高維數(shù)據(jù)聚類關鍵技術研究與應用.pdf

1、隨著社會的不斷進步，計算機技術、互聯(lián)網(wǎng)技術等不斷發(fā)展，數(shù)據(jù)也越來越豐富和復雜，針對豐富且復雜的數(shù)據(jù)進行聚類分析的重要方向也越來越受到人們的關注，高維數(shù)據(jù)聚類更是重點研究的領域。
　　高維數(shù)據(jù)所帶來的“維災”，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果。
　　本文重點研究稀疏子空間聚類方法，其基于數(shù)據(jù)的自表達性，利用解決稀疏優(yōu)化問題，將高維數(shù)據(jù)聚類問題轉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)聚類的相關方法以及經(jīng)典的子空間聚類方法。然后重點研究了稀疏子空間聚類算法的基礎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改進。最后基于 LBP的相關方法提取圖像特征，將改進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)新點如下：
　　1、基于非對稱拉普拉斯矩陣Lrw改進稀疏子空間（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行了改進

4、，減少了SSC的時間復雜度，提高了聚類的速度。
　　2、基于權值矩陣預設K-means聚類初始聚類中心，改進稀疏子空間聚類算法。基于解稀疏優(yōu)化問題后得到的權值矩陣W的性質，在稀疏子空間聚類的最后利用K-means方法時，設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)或者結果不穩(wěn)定，提高了聚類的準確率。
　　3、給出一種了利用多尺度LBP旋轉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旋轉不變算子獲得高維的紋理圖像特征。然后采用本文改進的SSC對得到的高維特征集進行聚類。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，利用改進的SSC對其進行聚類能夠得到比較理想的聚類結果。
　　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等價模式獨立計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