带有局部坐标约束的半监督概念分解算法

概念分解(CF)算法是一种有效的图像表示算法,目前已经广泛应用于维数约简、特征提取、数据挖掘等机器学习领域中。然而,传统CF算法不能利用有效的标签信息,也不能学习数据的稀疏表示。为此,将局部坐标约束和数据有限的标签信息融入到CF模型中,提出了一种带有局部坐标约束的半监督的概念分解(SLCF)算法。SLCF算法利用局部坐标约束学习数据的稀疏性,数据标签约束矩阵能够保证同类标签的数据映射到低维空间中拥有相同的标签,从而提高了不同类间数据的识别能力。利用交替迭代更新方法对SLCF算法的模型进行求解,证明了算法的收敛性。在COIL20、Yale B以及MNIST数据库上的数值实验表明提出的SLCF算法是有效的,其聚类性能优于其他比较的算法。