聚類作為一種無監(jiān)督學(xué)習(xí)方式,在機器學(xué)習(xí)與模式識別領(lǐng)域里得到廣泛地應(yīng)用。傳統(tǒng)的聚類算法是基于距離度量數(shù)據(jù)之間的相似性。然而如今步入大數(shù)據(jù)時代,高維數(shù)據(jù)普遍地存在于各個領(lǐng)域。而高維數(shù)據(jù)內(nèi)存在樣本與各個簇的距離幾乎相等的現(xiàn)象,這使基于距離的傳統(tǒng)聚類算法失效。近年來基于表示的子空間聚類算法,如:稀疏表示和低秩表示,憑借在高維數(shù)據(jù)里優(yōu)良的聚類性能得到了大量的關(guān)注與廣泛地應(yīng)用。本文對子空間聚類算法進行深入地分析探討,對基于表示的子空間聚類算法存在的問題提出了相關(guān)的改進方法,提高了子空間聚類算法的性能。本文的主要工作如下:1、與稀疏表示子空間聚類利用稀疏技術(shù)和低秩表示子空間聚類利用低秩技術(shù)不同,本文利用Frobenius范數(shù)對子空間的表示系數(shù)矩陣提出協(xié)作表示。Frobenius范數(shù)具有分組效應(yīng):數(shù)據(jù)之間的相關(guān)性越大,表示系數(shù)矩陣內(nèi)與數(shù)據(jù)對應(yīng)的系數(shù)越相近,系數(shù)值越大。當(dāng)數(shù)據(jù)屬于同一個簇時,它們之間的相關(guān)性比較高,因此對應(yīng)的表示系數(shù)的值較大;而數(shù)據(jù)屬于不同簇時,它們之間的相關(guān)性比較低,則對應(yīng)的表示系數(shù)的值較小。這種效應(yīng)滿足子空間聚類對表示系數(shù)矩陣的稀疏性要求,并且進一步提高了稀疏的質(zhì)量。而且協(xié)作表示的F... 

【文章來源】：廣東工業(yè)大學(xué)廣東省

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 子空間聚類的研究背景與意義
    1.2 子空間聚類的研究現(xiàn)狀
    1.3 子空間聚類的應(yīng)用
    1.4 本文的內(nèi)容與結(jié)構(gòu)
第二章 子空間聚類的相關(guān)方法
    2.1 引言
    2.2 稀疏表示子空間聚類(SSC)
    2.3 低秩表示子空間聚類(LRR)
    2.4 圖譜分割理論
    2.5 聚類效果的評價指標
    2.6 本章小結(jié)
第三章 譜增強的協(xié)作表示子空間聚類
    3.1 研究動機
    3.2 協(xié)作表示的組效應(yīng)
    3.3 譜增強的協(xié)作表示子空間聚類算法
    3.4 模型求解
    3.5 圖像聚類實驗
        3.5.1 實驗過程
        3.5.2 實驗結(jié)果
    3.6 運動分割實驗
        3.6.1 運動分割的理論
        3.6.2 運動分割的實驗數(shù)據(jù)集
        3.6.3 運動分割的結(jié)果
    3.7 本章小結(jié)
第四章 局部稀疏流形嵌入的半監(jiān)督協(xié)作子空間聚類
    4.1 引言
    4.2 局部稀疏流形嵌入
    4.3 半監(jiān)督聚類
    4.4 基于局部流形鄰近圖的半監(jiān)督子空間聚類
    4.5 人臉識別實驗
        4.5.1 實驗數(shù)據(jù)集
        4.5.2 實驗過程
        4.5.3 實驗結(jié)果
    4.6 本章小結(jié)
總結(jié)與展望
參考文獻
攻讀學(xué)位期間發(fā)表的論文
致謝


【參考文獻】：
期刊論文
[1]基于最小二乘回歸的分塊加權(quán)子空間聚類[J]. 李輝,陳曉云.  模式識別與人工智能. 2016(12)
[2]基于混合概率主成分分析的HRRP特征提取[J]. 李彬,李輝.  系統(tǒng)工程與電子技術(shù). 2017(01)
[3]基于Local特征和Regional特征的圖像顯著性檢測[J]. 郭迎春,袁浩杰,吳鵬.  自動化學(xué)報. 2013(08)
[4]K-means聚類算法研究綜述[J]. 王千,王成,馮振元,葉金鳳.  電子設(shè)計工程. 2012(07)
[5]聚類算法研究[J]. 孫吉貴,劉杰,趙連宇.  軟件學(xué)報. 2008(01)
[6]不等式約束優(yōu)化問題的一個精確增廣拉格朗日函數(shù)[J]. 杜學(xué)武,靳禎.  上海交通大學(xué)學(xué)報. 2006(09)
[7]圖像視覺特征綜述[J]. 于昕梅,朱林.  廣東通信技術(shù). 2004(S1)
[8]數(shù)據(jù)挖掘綜述[J]. 王光宏,蔣平.  同濟大學(xué)學(xué)報(自然科學(xué)版). 2004(02)

博士論文
[1]稀疏約束下的圖像分類與特征提取算法研究[D]. 李斐.山東大學(xué) 2018
[2]子空間學(xué)習(xí)及其在圖像集分類中的應(yīng)用研究[D]. 劉博.北京交通大學(xué) 2017
[3]基于等距特征映射的非線性降維及其應(yīng)用研究[D]. 石潔.中國科學(xué)技術(shù)大學(xué) 2017
[4]子空間聚類分析新算法及應(yīng)用研究[D]. 由從哲.江南大學(xué) 2017
[5]流形學(xué)習(xí)算法及其應(yīng)用研究[D]. 雷迎科.中國科學(xué)技術(shù)大學(xué) 2011
[6]圖像稀疏表示理論及其應(yīng)用研究[D]. 鄧承志.華中科技大學(xué) 2008

碩士論文
[1]流形學(xué)習(xí)與稀疏回歸算法在圖像監(jiān)督分類上的應(yīng)用研究[D]. 張興瑞.哈爾濱工業(yè)大學(xué) 2018
[2]基于進化算法的高維數(shù)據(jù)聚類研究[D]. 楊代君.西安電子科技大學(xué) 2014
[3]基于半監(jiān)督AP算法的電信客戶細分研究[D]. 孟奇.河北大學(xué) 2014



本文編號：3643457