基于ADMM的拉普拉斯约束表示型聚类算法

作为数据挖掘领域的关键技术,子空间分割对在联合子域内所分布的输入数据进行潜在的流型聚类.谱聚类因具备出色的性能被作为子空间分割算法中的首选,其性能主要依赖于由输入样本构造的关联矩阵.在平滑聚类算法的基础上结合拉普拉斯矩阵学习机制,提出一种用联合样本系数以及关联矩阵学习的新型聚类模型.同时,为快速获取清晰的对角块结构,对目标函数增加低秩正则项约束,并通过交替方向最小乘子法进行模型优化求解.所提方法称为基于ADMM(Alternating direction minimizing multiplier)的拉普拉斯约束表示型聚类算法(Laplacian regularizer clustering,LRC).通过实证结果表明:所提方法具有更高的聚类效果和更快的运行效率,综合性能优于相关的聚类方法.