基于RPCA对高维数据子空间聚类的预测方法.pdfVIP

CN 43—1258／TP 计算机工程与科学 第 39卷第 3期 2017年 3月 ISSN lOO7—13OX ComputerEngineering Science Vo1．39．No 3，M ar．2O17 文章编号 ：1007—130X(2017)03—0553—09 基于 RPCA对高维数据子空间聚类的预测方法 吕红伟 ，王士 同 (江南大学数字媒体学院，江苏 无锡 214122) 摘 要 ：预测子空间聚类 PSC算法由于建立在 PCA模型下，无法鲁棒地进行主元分析，导致在面对 带有强噪声的数据时，聚类性能受到严重影响。为了提高PSC算法对噪声的鲁棒性，利用近年来受到广 泛关注的RPCA分解技术得到数据的低秩结构 ，鲁棒地提取子空间，具体地，通过将 RPCA模型融入 PSC 算法，提 出了一种基于RPCA的预测子空间聚类算法。该算法在 RPCA 模型下检测强影响点，不但可以 有效地进行变量选择和模型选择 ，而且更重要的是改善 了PSC算法在噪声环境下的聚类性能。在真实基 因表达数据集上的实验结果表 明，改进后的算法较之经典的PSC算法无论在无噪声或加噪声环境下都表 现出一定聚类优势及 良好 的鲁棒性。 关键词 ：RPCA；子空间聚类 ；变量选择 ；模型选择 ；鲁棒性 中图分类号 ：TP18l 文献标志码 ：A doi：10．3969／．issn．100713OX．2017．03．022 A pre~ddiiccttiivvqessuulbsp：~acecclluusstt~erin~gmmeetthhOoddof— high_·dimensionaldatabasedonRPCA LU Hong—wei，W ANG Shi—tong (SchoolofDigitalMedia，JiangnanUniversity，Wuxi214122，China) Abstract：Becausethepredictivesubspaceclustering (PSC)algorithm isnotrobusttotheprincipal componentanalysisinthePCA mode1．theclusteringperformanceisseverelyaffectedwhendealingwith thedatawithstrongnoise．InordertoimprovetherobustnesstonoiseofthePSCalgorithm，weusethe robustprincipalcomponentanalysis (RPCA)decompositiontechniquewhichispaidextensiveattention inrecentyearstoobtainthelOW rankstructureofthedataandachievearobustextractionsubspace．W e integratetheRPCA modelintothePSC algorithm andproposeapredictivesubspaceclusteringalgorithm basedontheRPCA．Theproposedalgorithm candetectinfluentialobservationsintheRPCA model，ef— fectivelycarryoutvariableselectionandmodelselection，andmoreimportantlyitcan improvetheclus— teringperformanceofthePSCalgorithm innoiseenvironment．Experimentalresultsonrealgeneexpres— siondatasetsshow thattheimprovedalgorithm hasclusteringadvantagesandbetterrobustne