基于稀疏约束和对偶图正则化的受限概念分解算法及在数据表示中的应用

概念分解算法(CF)是一种经典的数据表达方式,已经被广泛使用于机器视觉、模式识别等领域。基本的CF方法是一种无监督的学习算法,无法利用数据中存在的先验知识,没有考虑数据空间流形和特征空间流形的几何结构信息,同时分解结果也不具有稀疏性。为了解决以上缺陷,本文提出了一种基于稀疏约束和对偶图正则化的受限概念分解算法(DCCFS)。该算法通过保持样本数据空间和特征空间中内蕴的几何结构信息不变,使得算法可以更加有效提取数据的特征,增强了算法的数据表达能力;利用数据中天然存在的类别性息,增强算法的鉴别能力;添加LP平滑范数提高了算法的稀疏性,使得分解结果更加准确、平滑。在COIL20图像数据集、PIE人脸数据集以及TDT2文本数据集上的聚类实验证明本文提出的DCCFS的聚类性能优于其他同类算法。