聚類分析是一項(xiàng)無監(jiān)督學(xué)習(xí)任務(wù),在很多領(lǐng)域中有廣泛應(yīng)用。聚類分析可以發(fā)現(xiàn)數(shù)據(jù)的全局分布模式,以及屬性之間有價(jià)值的相互關(guān)系。隨著信息技術(shù)的進(jìn)步,各種類型的數(shù)據(jù)維度可達(dá)成百上千,甚至更高,因此針對高維數(shù)據(jù)的聚類分析具有非常重要的意義。由于冗余維度和復(fù)雜噪聲的存在,基于距離的相似度度量往往對高維數(shù)據(jù)失效,通常采用子空間的方法對高維數(shù)據(jù)加以分析。一般認(rèn)為高維數(shù)據(jù)嵌入低維的流形中,子空間聚類的目的是將源自不同子空間的高維數(shù)據(jù),劃分到其所屬的低維子空間。如何去除噪聲對數(shù)據(jù)的影響,也是子空間聚類中的重要任務(wù)。近年來,稀疏子空間聚類得到了廣泛的關(guān)注。稀疏子空間聚類是一種基于廣義稀疏表示和譜聚類算法的數(shù)據(jù)聚類框架,其核心是設(shè)計(jì)能揭示高維數(shù)據(jù)真實(shí)子空間結(jié)構(gòu)的表示模型,獲得低維子空間下的系數(shù)表示矩陣,來構(gòu)造有助于精確聚類的相似度矩陣。稀疏子空間聚類在計(jì)算機(jī)視覺、圖像處理和模式識(shí)別等領(lǐng)域內(nèi)已有廣泛的研究和應(yīng)用,但是仍然存在很多問題亦有很大的發(fā)展空間。本文在稀疏子空間聚類的模型和快速算法上展開了具有針對性的研究,具體而言,本文的主要工作和具體創(chuàng)新如下:1.提出一種基于稀疏表示的低秩子空間恢復(fù)和劃分的統(tǒng)一框架（Lo... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：130 頁

【學(xué)位級別】：博士

【部分圖文】：

圖１－１稀疏子空間聚類框架??Ｆｉｇ．?１－１?Ｔｈｅ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｓｐａｒｓｅ?ｓｕｂｓｐａｃｅ?ｃｌｕｓｔｅｒｉｎｇ．??

動(dòng)分割［５２］以及圖像分割［９２］等領(lǐng)域。??團(tuán)困回匪１園??圖１－２人臉聚類：給定拍？攝于不同光照條件下的圈像，ｆｌ的是將圈像聚類到其對應(yīng)的人臉??Ｆｉｇ．?１－２?Ｆａｃｅ?Ｃｌｕｓｔｅｒｉｎｇ：?ｇｉｖｅｎ?ｆａｃｅ?ｉｍａｇｅｓ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｓｕｂｊｅｃｔｓ?ｓｈｏｏｔ?ｕｎｄｅｒ?ｄｉｆｆｅｒｅｎｔ?ｌｉｇｈｔｉｎｇ?ｃｏｎｄｉ？??ｔｉｏｎｓ?（ｔｏｐ），?ｏｕｒ?ｇｏａｌ?ｉｓ?ｔｏ?ｃｌｕｓｔｅｒ?ｉｍａｇｅｓ?ｔｈａｔ?ｂｅｌｏｎｇ?ｔｏ?ｔｈｅ?ｓａｍｅ?ｓｕｂｊｅｃｔ?（ｂｏｔｔｏｍ）．??人臉識(shí)別是基于人的面部特征信寫進(jìn)行身份識(shí)別的一項(xiàng)有監(jiān)督學(xué)習(xí)技術(shù)，是??計(jì)算機(jī)視覺領(lǐng)域中的一個(gè)重要研究問題。人臉聚類則屬于無監(jiān)督學(xué)習(xí)的范疇，我??們希望通過算法自動(dòng)為海遽人臉圖片進(jìn)行標(biāo)注，以此廉價(jià)地獲得大羞數(shù)據(jù)集�，F(xiàn)??已證明在不苘光照或表情變換條件下，人臉圖像可由維度為９的低維子痤飼．來ＪＩ??近。來自多張人臉的圖像集可用多個(gè)子空間去近似，ａ此可將人臉聚類問題等價(jià)??－１２－??

圖２４三個(gè)不相交予空＿以及數(shù)據(jù)分布情況??Ｆｉｇ．?２－１?Ｔｈｅ?ｆｉｇｕｒｅ?ｄｉｓｐｌａｙｓ?ｔｈｒｅｅ?ｄｉｓｊｏｉｎｔ?ｓｕｂｓｐａｃｅｓ?ａｎｄ?ｄａｔａ?ｄｉｓｔｒｉｂｕｔｉｏｎ．??如圖２－１所滴三個(gè)不相交子空間你，知ｓ３｝，包含黑線的點(diǎn)．ｒ在ｓｊｎｓ２？ｓ的交界處。藍(lán)色點(diǎn)集尸！在子￥間Ａ上＃：録色和紅色點(diǎn)集尸—！在子空間ｓ２?？?ｓ３上。??分別用點(diǎn)集尸：和ｈ中的點(diǎn)線性組合去表示點(diǎn)＆左圖２－１：乎空間＆與ｓ２?？?ｓ３??夾角大，但是＆上的數(shù)據(jù)分布較為集中，用點(diǎn)集／ｖ表示ｘ的線性系數(shù)的絕對值??之和要大于用點(diǎn)集尸＾的線性組合；中圖２－１：?瘦閭＆上的數(shù)據(jù)分希足夠廣泛乎空簡＆與其它子空丨爾＾夾：爾：較大，點(diǎn)集戶１?＃?＆上分布廣泛，在數(shù)值上＿現(xiàn)點(diǎn)集Ａ組成的矩陣的最小奇異值大于乎空間和另夕卜兩個(gè)子空苘的最小主夾角，因??此用點(diǎn)集Ａ去表示點(diǎn)■＾會(huì)得到絕對值之和更小的系數(shù)�！鲇覉D２－１：子空間為與??＆?？?ｓ３的夾角小，＆上數(shù)據(jù)分布情況不變，但長＆和ｓ２和ｓ３的主夾角變小，因??此用＆和＆子空間上的點(diǎn)集表示點(diǎn)Ｘ會(huì)得到更小的系數(shù)。??如臬數(shù)據(jù)中包含奇異點(diǎn)，則應(yīng)設(shè)寶如下合適的閾值函數(shù)：??＼?—Ｐ，１?＜ｙ?＜?ｅ，??Ｎ

【參考文獻(xiàn)】：
期刊論文
[1]稀疏子空間聚類綜述[J]. 王衛(wèi)衛(wèi),李小平,馮象初,王斯琪.  自動(dòng)化學(xué)報(bào). 2015(08)
[2]圖像分割的加權(quán)稀疏子空間聚類方法[J]. 李濤,王衛(wèi)衛(wèi),翟棟,賈西西.  系統(tǒng)工程與電子技術(shù). 2014(03)



本文編號(hào)：3459486