HI,欢迎来到学术之家,学术咨询:400-888-7501 订阅咨询:400-888-7502 股权代码 102064

融合关联矩阵自学习和显式秩约束的数据表示分簇算法

作者:郑建炜; 鞠振宇; 朱文博; 王万良关联矩阵低秩表示谱分簇拉普拉斯正则项归一化互信息

摘要:复杂异构分布的高维数据在大数据时代随处可见,高效地挖掘其子空间结构并进行准确的分簇是机器视觉和模式识别领域的研究热点.低秩表示算法(Low-Rank Representation,LRR)因其优越的低维子空间挖掘能力而备受关注,其性能很大程度上取决于关联矩阵的构建,常见的方法都是通过原始输入数据或表示系数直接一次成形.然而,这些方法都采用独立的步骤进行表示系数计算以及关联矩阵学习,无法保证总体算法的最优性.针对该问题,该文提出一种新的LRR型数据表示分簇法(Data Representation Clustering,DRC)应用于实际子空间分割问题.首先,为实现模型的快速求解,DRC保留了基本数据表示框架中的光滑正则项并剔除了非负性、稀疏性等复杂约束;其次,将相似度矩阵的自适应学习策略添加至统一的数据表示框架,联合原始输入数据和表示系数确保目标关联矩阵在无噪环境下具备明确的对角分布结构.最后,对关联矩阵对应的Laplacian矩阵添加一种新的秩约束,在含噪环境下引导相似度连接结构与簇目标数的一致性.采用交替更新法对模型进行求解,保证目标函数单变量优化的全局最优性以及整体收敛性.人工合成数据和8个公开数据集的实验结果表明,DRC算法在分簇精度、归一化互信息、参数敏感性等指标上都具有优秀的性能.

注:因版权方要求,不能公开全文,如需全文,请咨询杂志社

计算机学报

《计算机学报》(月刊)创刊于1978年,由中国计算机学会与中国科学院计算技术研究所主办、科学出版社出版,以中文编辑形式与读者见面,同时以英文摘要形式向国际各大检索系统提供基本内容介绍。 一直在计算机领域保持着领先水平,刊登的文章被国际多种著名检索刊物所收录.包括《中国学术期刊文摘》,美国《EI》,英国《SA》,美国《数学评论》,日本《科技文献速报》,俄罗斯《文摘杂志》等。 《计算机学报》刊登的内容覆盖计算机领域的各个学科,以论文、技术报告、短文、研究简报、综论等形式报道以下方面的科研成果:计算机科学理论、计算...

杂志详情

相关期刊
×

说明:关注微信公众号,免费领取下载码。

 

发送任意关键词,比如“下载”,即可下载该篇文章。

PDF文件建议使用adobe或Office打开

作品认领

本站文章皆为用户上传,可能会出现作者遗漏,为促进学术资源开放获取,作者完成个人作品认领,即可获得平台文献免费下载权限。

详询在线客服 ×

被举报文档标题:融合关联矩阵自学习和显式秩约束的数据表示分簇算法

被举报文档地址:


我确定以上信息无误

举报类型:

非法(文档涉及政治、宗教、色情或其他违反国家法律法规的内容)

侵权

其他

举报理由:
   (必填)