基于L2,1范数和流形正则项的半监督谱聚类算法

谱聚类算法受到相似矩阵的影响以及没有使用先验信息,使得聚类结果有很大的局限性。针对这一问题,提出了一种基于L2,1范数和流形正则项的半监督谱聚类算法。一方面借助L2,1范数的鲁棒性学习到合理的相似矩阵;另一方面充分利用监督信息,不仅指导了初始相似矩阵的构造,而且引入流形正则项去调整模型,从而改善聚类效果。实验结果表明,所提出的聚类算法在人工数据集和真实数据集上的聚类结果较其他聚类算法更加有效。

基于超图正则化的概念分解及在数据表示中的应用

针对传统图模型的流形学习无法准确表达数据间多元几何结构信息的问题,提出一种基于超图正则化的概念分解(HRCF)算法.该算法用一组具有相似属性的数据子集构建超边,建立数据间高阶关系的超图模型.通过在概念分解算法中增加超图正则项,保持数据间多元几何流形结构,提高了算法的鉴别性.在Yale库、USPS库和TDT2库上的实验表明,HRCF算法明显提高了聚类的准确率和归一化互信息,验证了算法的有效性.

局部超图拉普拉斯约束的高光谱影像低秩表示去噪方法

针对传统高光谱影像低秩表示去噪方法无法保持影像多元几何结构信息的问题,提出一种基于局部超图拉普拉斯约束的高光谱影像低秩表示去噪方法。在低秩表示模型中增加超图拉普拉斯正则项,保持数据间多元几何流形结构;并对低秩模型系数矩阵增加稀疏和非负约束条件,进一步提高模型对影像局部信息的保持能力,使得模型不仅能够恢复具有低秩性质的影像信号分量,而且可以很好地保持影像的多元几何流形结构。在AVIRIS影像和ProSpecTIR-VS影像上的对比实验表明,所提方法更好地保持了影像的空间和光谱信息,有效地改善了高光谱影像去噪效果。

自适应半监督邻域聚类算法

为了充分利用监督信息指导聚类过程,提出自适应半监督邻域聚类算法(adaptive semi-supervised neighborhood clustering algorithm, SSCAN)。引入监督矩阵与距离度量结合,构造合理的相似矩阵;充分利用监督信息,通过标签信息矩阵与流形正则项结合调整模型,改善聚类效果。在多种数据集进行试验,并与其他聚类算法作对比,结果表明,SSCAN可以充分利用监督信息,提高聚类的准确率。