稀疏子空间聚类算法 一种改进的稀疏子空间聚类算法_欧阳佩佩.docVIP

稀疏子空间聚类算法 一种改进的稀疏子空间聚类算法_欧阳佩佩 导读：就爱阅读网友为您分享以下“一种改进的稀疏子空间聚类算法_欧阳佩佩”资讯，希望对您有所帮助，感谢您对92的支持! 　２０１４ 年 ８ 月　　　第２ ７卷 第３期青岛大学学报（ 自然科学版） 　 ） Ｏ Ｕ Ｒ Ｎ Ａ Ｌ Ｏ Ｆ Ｉ Ｎ Ｇ Ｄ Ａ Ｏ Ｕ Ｎ Ｉ Ｖ Ｅ Ｒ Ｓ Ｉ Ｔ Ｙ（ Ｎ ａ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｅ ｄ ｉ ｔ ｉ ｏ ｎ Ｊ 　 　 　 　 　 Ｑｏ ｌ ． ２ ７Ｎ ｏ ． ３ Ｖ 　 Ａ ｕ ． ２ ０ １ ４ 　 　 　 ｇ（ ） 文章编号 ： １ ０ ０ ０ ０ ６ ０ ３ ７ ２ ０ １ ４ ０ ３ ０ ４ ４ ５ １ － － － ／ １ ｄ ｏ ｉ： １ ０． ３ ９ ６ ９ ． ｉ ｓ ｓ ｎ． １ ０ ０ ６ ０ ３ ７． ２ ０ １ ４． ０ ８． １ ０ － ｊ一种改进的稀疏子空间聚类算法欧阳佩佩 ， 赵志刚 ， 刘桂峰（ ） 青岛大学信息工程学院 ， 青岛 ２ ６ ６ ０ ７ １ 摘要 ： 在现有的稀疏子空间聚类算法基础上提出了一个改进的稀疏子空间聚类算法 。 首先 ， 利用高维数据可以通过同一子空间的低维数据稀 疏 地 表 示 这 一 理 论 ， 建立一个稀疏最优化 模型 ， 获得稀疏矩阵 。 然后把稀疏矩阵应用到一个正则化谱聚类算法中 ， 从而有效地把数据 聚类到子空间中 。 最后 ， 该算法应用到一个视频序列中 ， 对每个视频帧里的运动物体进行识 别， 并与现有的子空间聚类算法相比较 。 实验 结 果 表 明 ， 该 算 法 能 够 有 效 地 识 别 运 动 物 体， 具有良好的实时性和有效性 。 ； 谱聚类算法 ； 运动分割 ； 子空间聚类 关键词 ： 子空间聚类 ； 稀疏子空间聚类 （ Ｓ Ｃ） Ｓ 中图分类号 ： Ｐ １ ８ １ Ｔ 文献标志码 ： Ａ高维数据无处不在 ， 如机器学习 ， 图像处理 ， 计算机视 觉 等 。 实 际 上 ， 高维数据通常不是 　　 在实际问题中 ， 分布在所在空间周围 ， 而是以更加低维的结构存在 。 因此 ， 高维数据可以用其周围空间的一个低维子空间很 好地表示 。 谱聚类是建立在图谱理论基础上的一种重要的数据聚类方法 ， 首先根据给 定 的 样 本 数 据 集 建 立 数 据 间１］ 是一种新的谱 的相似度矩阵 ， 然后构造加权图 ， 通过寻找图的最优划分实现数据聚类的目的 。 子空间聚类 ［聚类方法 ， 若数据分布在一些低维的线性或仿射子空间的联合中 ， 子空间聚类比其它聚类方法能得到更好的 聚类效果 。 子空间聚类目的在于把高维数据划分到其潜在的子空间并应用到尽可能 多 的 领 域 中 ， 主要指的是获得 子空间的个数 ， 维数 ， 每个子空间的基以及数据的分割 。 现有的子空间聚类算 法 分 为 四 个 主 要 类 型 ： 迭代方］ ２， ３］ ４］ ５］ ６ ８ － 、 、 。 其中 ， 代数方法 ［ 统计方法 ［ 和基于谱聚类的方法 ［ 法［ 前三个类型方法均需要提前 知道 子 空 间 的个数和维数或对数据初始化 、 噪声和奇特点非常敏感 ， 而基于谱聚类的方法利用数据点之间的信息建立相似 性并应用谱聚类算法聚类数据 ， 此类算法优于其他算法之处在于能够处理噪声和奇 特 点 并 且 不 需 要 知 道 子［］ ［０］ 提出一个稀疏子空 空间的维数和数量 ， 如稀疏子空 间 算 法 。Ｅ ｌ ｈ ａ ｍ ｉ ｆ ａ ｒ等 ９ 利 用 稀 疏 恢 复 算 法 的 先 进 性 １。 其通过稀疏表示 （ 间聚类算法 （ 构造相似度矩阵 ， 并应用到一个谱聚类算法中 ， 从而聚类数据 。 本 Ｓ Ｃ） Ｒ） Ｓ Ｓ 文在此的基础上 ， 对Ｓ 即选 取 一 个 不 同 的 较 为 简 单 有 效 的 Ｌ 降低算法复杂 Ｓ Ｃ 算法进行改进 ， ａ ｌ ａ ｃ ｉ ａ ｎ矩阵（ ｐ ， 然后建立一个效率更高的谱聚类算法 。 此聚类方法分为两步 ： 度） 一是建立一个全局稀疏最优化模型 ， 把高 维数据用同一子空间的一些低维数据稀疏地线性表示 ； 二是获得的稀疏系数矩阵应 用 到 一 个 新 的 谱 聚 类 算 法框架中 。１ 　 稀疏最优化模型位于线性或仿射子空间集合的高维数据可以稀疏地被同一个子空间的点线性或者仿射表示 。 本文通过 ］ 文献 ［ 中稀疏表示技巧获得高维数据的稀疏表示 。 ９收稿日期 ： ０ １ ４ ６ ０ ２ ０ ３ － － ） 基金项目 ： 资助 。 山东省科学技术发展计划项目 （ 批准号 ： ０ １ ２ Ｙ Ｄ ０ １ ０ ５ ８ ２ ： 作者简介 ： 欧阳佩佩 ， 女， 硕士研究生 ， 研究方向 ： 机器