典型文献
基于Hessian正则化和非负约束的低秩表示子空间聚类算法
文献摘要：
针对低秩表示(LRR)子空间聚类算法没有考虑数据局部结构,在学习中可能会造成局部相似信息丢失的问题,提出了一种基于Hessian正则化和非负约束的低秩表示子空间聚类算法(LRR-HN),用来探索数据的全局结构和局部结构.首先,利用Hessian正则化良好的推测能力来保持数据的局部流形结构,使数据局部拓扑结构的表达能力更强;其次,考虑到获得的系数矩阵往往有正有负,而负值往往没有实际意义的特点,引入非负约束来保证模型解的有效性,使其在数据局部结构描述上更有意义;最后,通过最小化核范数寻求数据全局结构的低秩表示,从而更好地聚类高维数据.此外,利用自适应惩罚的线性交替方向法设计了一种求解LRR-HN的有效算法,并在一些真实数据集上,采用正确率(AC)和归一化互信息(NMI)对所提出的算法进行了评估.在ORL数据集上聚类数目为20时的实验中,LRR-HN与LRR算法相比,AC和NMI分别提高了11％和9.74％;与自适应低秩表示(ALRR)算法相比,AC和NMI分别提高了5％和1.05％.实验结果表明,LRR-HN与现有的一些算法相比,AC和NMI均有较大的提升,有较好的聚类性能.
文献关键词：
子空间聚类;Hessian正则化;非负约束;低秩表示;流形学习
中图分类号：
作者姓名：
范莉莉;卢桂馥;唐肝翌;杨丹
作者机构：
安徽工程大学计算机与信息学院,安徽芜湖241000
文献出处：
引用格式：
[1]范莉莉;卢桂馥;唐肝翌;杨丹-.基于Hessian正则化和非负约束的低秩表示子空间聚类算法)[J].计算机应用,2022(01):115-122
A类：
ALRR
B类：
Hessian,正则化,非负约束,低秩表示,子空间聚类,聚类算法,局部结构,信息丢失,HN,探索数据,全局结构,保持数据,局部流形结构,拓扑结构,表达能力,系数矩阵,负值,实际意义,结构描述,更有意义,核范数,求数,高维数据,性交,交替方向法,真实数据,AC,归一化互信息,NMI,ORL,聚类数,流形学习
AB值：
0.270019
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
