摘要
许多高维数据可以被看做是采样于多个低维线性子空间的并集。为更准确地揭示这些高维数据的真实子空间结构,提出基于鲁棒块对角表示的子空间聚类算法(robust subspace clustering by block diagonal representation,RBDR)。RBDR算法以样本自表征矩阵的块对角结构为先验条件,定义了可以更准确地描述子空间结构的块对角正则项,同时加入F-范数作为正则项来提升模型的鲁棒性。对于模型的求解,采用交替最小化算法(alternating minimization method),并在理论上证明算法的收敛性。在数据集Hopkins 155和extended Yale B上的实验结果显示,RBDR算法的聚类准确率高于SSC、LRR、LSR等算法以及聚类效果很好的新算法BDR,验证了该算法的有效性和鲁棒性。
出处
《计算机应用研究》
CSCD
北大核心
2020年第S02期102-104,共3页
Application Research of Computers
基金
国家自然科学基金资助项目(11472184)