隨著物網技術的快速發(fā)展和大數據時代的到來,高維數據在圖像處理、模式識別、計算機視覺以及機器學習等領域無處不在,這對傳統的聚類分析方法提出了嚴峻的挑戰(zhàn)。子空間聚類作為處理高維數據聚類問題的重要技術和方法,為高維數據聚類的有效實現提供了途徑。在眾多的子空間聚類方法中,基于稀疏表示的譜型聚類方法由于其優(yōu)越的聚類性能、易處理和計算的有效性等特點受到了國內外學者的廣泛關注,已成為子空間聚類研究的熱點,并且在圖像的表示、分割、運動分割以及圖像的顯著性檢測等問題上取得了成功的應用。本文基于稀疏表示的譜型聚類方法框架,針對現有模型中存在的一些問題,在提升稀疏性、數據誤差處理、算法的有效實現、模型推廣以及應用等方面進行了探討和研究。本文的主要貢獻概述如下:1.針對稀疏子空間聚類問題中,因使用l1范數代替l0范數,在某些情況下易導致在大的表示系數上造成大的偏差,造成聚類性能退化的問題,提出了一個l0范數的廣義非凸近似。理論證明所提出的非凸近似比l1范數能夠更緊致地逼近l0范數。此外,所提出的廣義非凸近似將常見的一些l0范數的近似統一到同一個解析結構,并且給出了一大類新的近似。結合所提出的廣義非凸近似到子空... 

【文章來源】：江南大學江蘇省 211工程院校 教育部直屬院校

【文章頁數】：109 頁

【學位級別】：博士

【部分圖文】：

圖１．２人臉聚類：從上到下依次為給定的３個受試體的人臉圖像和聚類結果

圖１．３誤差示例圖，從左到右依次為：高斯噪聲，稀疏奇異元和異常值

圖１．４稀疏子空間聚類及應用研究的主要組織結構

【參考文獻】：
期刊論文
[1]一種基于多屬性權重的分類數據子空間聚類算法[J]. 龐寧,張繼福,秦嘯.  自動化學報. 2018(03)
[2]快速可擴展的子空間聚類算法[J]. 劉博,謝博鋆,朱杰,景麗萍,于劍.  模式識別與人工智能. 2016(01)
[3]局部子空間聚類[J]. 劉展杰,陳曉云.  自動化學報. 2016(08)
[4]稀疏子空間聚類綜述[J]. 王衛(wèi)衛(wèi),李小平,馮象初,王斯琪.  自動化學報. 2015(08)
[5]一種基于數據流的軟子空間聚類算法[J]. 朱林,雷景生,畢忠勤,楊杰.  軟件學報. 2013(11)
[6]基于差分演化算法的軟子空間聚類[J]. 畢志升,王甲海,印鑒.  計算機學報. 2012(10)
[7]壓縮感知及其應用:從稀疏約束到低秩約束優(yōu)化[J]. 馬堅偉,徐杰,鮑躍全,于四偉.  信號處理. 2012(05)
[8]聚類分析研究中的若干問題[J]. 王駿,王士同,鄧趙紅.  控制與決策. 2012(03)
[9]自適應的軟子空間聚類算法[J]. 陳黎飛,郭躬德,姜青山.  軟件學報. 2010(10)

博士論文
[1]基于稀疏表示的混合屬性數據聚類關鍵技術研究[D]. 邵曉晨.北京科技大學 2018
[2]幾類基于數據重建的子空間聚類問題研究[D]. 李寶華.大連理工大學 2017
[3]基于圖的高維數據聚類方法研究[D]. 杜寧.東北師范大學 2017
[4]基于自表達的多視角子空間聚類方法研究[D]. 張長青.天津大學 2016
[5]高維數據上的聚類方法研究[D]. 任亞洲.華南理工大學 2014



本文編號：3222226