多流形数据的结构分析研究.docVIP

多流形数据的结构分析研究 　　摘要：在大数据的时代，面对着大量的多流形数据，对多流形数据的结构分析进行研究是十分有必要的。为了提高对多流形数据的分析能力，在已有的聚类技术基础上，结合流形学习的方法和谱聚类的方法，发展出了谱多流形聚类方法。而在研究多流形数据的结构以及谱多流形聚类的基础上，又提出了稀疏谱聚类方法来进一步改进对多流形数据的结构分析研究。 　　关键词：多流形数据；数据几何结构分析；谱聚类；谱多流形聚类；稀疏谱多流形聚类 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）09-0003-03 　　Research on Structure Analysis of Multi-Manifold Data 　　HAN Yang 　　（College of Electronics and Information Engineering， Tongji University， Shanghai 201804， china） 　　Abstract： In the era of big data， it is very necessary to study the structure analysis method of multi-manifold data， facing a large number of multi-manifold data. To improve the analysis ability of the multi-manifold data， the spectral manifold clustering method is developed， which based on the existing clustering techniques and combined with manifold learning method and spectral clustering method. On the basis of studying the structure of multi manifold data and the clustering of spectral manifold， the sparse spectral clustering method is proposed to improve the structure analysis of multi manifold data. 　　Key words： multi-manifold data；data geometry structural analysis；spectral clustering；spectral clustering on multiple manifolds； sparse spectral clustering on multiple manifolds 　　1 概述 　　现今，我们已经进入了大数据的时代。在这个技术飞速进步，信息爆炸的时代，数据的量从K到M，从M到G，从G到T，从T到P……。随着数据量的迅速增加，对分析方法的需求也有了进一步的增加。而在对数据的分析中，一个重要的方向是将数据集中属于不同集合的数据分开，这也就是所谓的聚类分析[1]。传统的聚类方法，例如，K均值聚类，即通过比较所有点到每个类的中心距离与重置类中心的方法，已经不能够满足解决许多问题的实际需求。 　　在对实际问题的分析中，可以发现，有许多的数据集，实质上是由多个几何结构组合而成。几何结构分析已被广泛应用于对象识别、图像分类等模式识别和分类问题。同时，对于高维数据的相关性分析、聚类分析等的基本问题而言，基于结构的分析也非常重要。而流形，在数学中就是用于描述几何结构的，并且为研究各种维度下曲线、曲面的可微性提供了最一般的抽象[2，3]。流形的微观结构使得它能够容纳微分结构，从而可以用局部线性去近似它；而它的宏观结构却又使得它可以作为对抗局部扰动的理想数学模型。因此，对多流形数据的结构分析进行研究是十分有必要的。 　　2 背景介绍 　　对于多流形数据，其中不存在交叠混合的情况相对而言比较少，而且由于不相交的情况相对比较简单，用传统的聚类方法即可解决，本文不再过多讨论。实际中存在困难的，是多流形交叠混合的情况。在现实环境中，尤其是机器视觉中，大量存在需要对多流形数据进行识别的问题。现在的流形学习算法能处理的情况还比较弱，而前提假设的条件比较强，特别是对于不同维数的多流形混合的问题，目前还没有完全解决的方法。而此又恰恰是模式识别中一个合理且常见的情况。虽然针对多流形交叠混合的非线性学习已经存在许多成熟的模型，如ISOMAP、谱聚类（SC）等等，但都有各自缺陷[4-7