科研之友
微信
新浪微博
Facebook
分享链接
摘要
在传统基于图表示的聚类算法中，表示矩阵计算和聚类通常分开进行，导致最后获取的表示矩阵可能不能代表最优的聚类结构.为解决此问题，本文提出一种新的聚类模型，它能在学习数据表示矩阵的同时获取合适的聚类结构.首先，基于局部距离度量，通过为每个数据点自适应地分配最优近邻学习数据表示矩阵.然后，通过在模型中施加约束项，降低噪声和离群点的影响，学习更优的表示矩阵.最后，对已学习到的数据表示矩阵的拉普拉斯矩阵施加秩约束，使得最终学习到的表示矩阵中的连通分量个数与簇个数相同，得到能够表征聚类结构的表示矩阵.实验将所提出的方法与11个算法在7个数据集上进行了比较，结果验证了该算法的有效性.
- 单位
