發(fā)布時(shí)間：2021-04-05 05:46

　　“大數(shù)據(jù)”時(shí)代,我們需要面對(duì)大量高復(fù)雜度、高維度數(shù)據(jù)的分析處理,例如豐富多彩的圖像和視頻、文本等。一些研究表明,這些數(shù)據(jù)樣本所分布的高維空間,往往存在著低維結(jié)構(gòu),可以用一系列低維子空間的集合進(jìn)行有效近似。將各個(gè)數(shù)據(jù)樣本按照其潛在低維子空間結(jié)構(gòu)進(jìn)行有效劃分,稱之為子空間聚類問(wèn)題。近些年來(lái),子空間聚類算法已經(jīng)成為當(dāng)前聚類分析研究的熱點(diǎn)問(wèn)題之一,涌現(xiàn)出許多子空間聚類算法,其中基于譜聚類的子空間聚類算法變得越來(lái)越流行。這類方法主要分為兩個(gè)步驟:第一步,從數(shù)據(jù)樣本中學(xué)習(xí)其相似度度量;第二步,對(duì)相似度矩陣應(yīng)用譜聚類算法,得到一個(gè)合理的數(shù)據(jù)劃分。然而由于缺少有效的特征抽取以及沒(méi)有應(yīng)用相關(guān)的增強(qiáng)信息,子空間聚類算法應(yīng)用范圍較為有限。本文從探索挖掘數(shù)據(jù)樣本增強(qiáng)信息角度,提出了信息增強(qiáng)的子空間聚類算法研究,開(kāi)展如下幾個(gè)方面的創(chuàng)新性工作:（1）.本文提出了一種低秩結(jié)構(gòu)化稀疏子空間聚類算法（Low Rank and Structured Sparse Subspace Clustering,LRS3C）�；诘椭缺硎灸Ｐ�,通過(guò)探索挖掘數(shù)據(jù)樣本的結(jié)構(gòu)化稀疏信息,融合到子空間聚類的自我表示模型優(yōu)化過(guò)程中,構(gòu)建一個(gè)... 

【文章來(lái)源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：122 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖２－２?運(yùn)動(dòng)物體軌跡分割：給定視頻數(shù)據(jù)中移動(dòng)物體特征點(diǎn)，目標(biāo)是根據(jù)不同運(yùn)動(dòng)物體劃分??出其對(duì)應(yīng)的運(yùn)動(dòng)軌跡??？Ｓ

北京郵電大學(xué)工學(xué)博士學(xué)位論文???）：：？？？？？．?＇??圖２－１?子空間聚類示意圖??哪??匿麋＿＿＿＿鼷??圖２－２?運(yùn)動(dòng)物體軌跡分割：給定視頻數(shù)據(jù)中移動(dòng)物體特征點(diǎn)，目標(biāo)是根據(jù)不同運(yùn)動(dòng)物體劃分??出其對(duì)應(yīng)的運(yùn)動(dòng)軌跡??｛？Ｓｊｆ＝１組成的集合中。假設(shè)每個(gè)低維子空間＆包含馬個(gè)數(shù)據(jù)樣本，并且??子空間聚類算法的目標(biāo)是將數(shù)據(jù)集中各個(gè)數(shù)據(jù)樣本七，劃分到其對(duì)應(yīng)的低維子空間??中。??近些年來(lái)，子空間聚類學(xué)習(xí)已經(jīng)成為當(dāng)前研究的熱點(diǎn)問(wèn)題之一，涌現(xiàn)出許多不??同的算法和模型。主要分為以下幾種類型：迭代方法［３１—３３］、代數(shù)方法［３４￣３７］、統(tǒng)計(jì)方??法［２８，３８￣４２］以及基于譜聚類方法［８－１２，１＆１９，２２，２４，２５，３３，４３－５〇１。??（１）．基于迭代方法的子空間聚類算法??基于迭代方法的子空間聚類學(xué)習(xí)，采用將各個(gè)數(shù)據(jù)樣本分配到其對(duì)應(yīng)低維子空??間與每個(gè)低維子空間擬合成為一個(gè)類別交替進(jìn)行。常見(jiàn)方法有欠－ｓｕｂｓｐａｃｅ、ｍｅｄｉａｎ??■■觀??ｎｍｍｍ?ｔｍｍｉ?＿觀：??圖２－３?人臉圖像聚類：給定不同光照條件下采集的人臉圖像，目標(biāo)是找出屬于同一個(gè)人的人??臉圖像??１２??

北京郵電大學(xué)工學(xué)博士學(xué)位論文???證通過(guò)凝聚有損壓縮算法（ＡＬＣ）可以得到子空間聚類學(xué)習(xí)的最優(yōu)解。??（４）．基于譜聚類的子空間聚類算法??如圖２－４所示，每個(gè)數(shù)據(jù)樣本視為圖（Ｇｒａｐｈ：?Ｇ?＝?（Ｖ，￡））中一個(gè)節(jié)點(diǎn)（Ｎｏｄｅ），??節(jié)點(diǎn)之間通過(guò)邊（Ｅｄｇｅ）連接�；诠�(jié)點(diǎn)之間相似度度量，尋找圖的一個(gè)最優(yōu)切割，??使得不同子圖之間相似度最校??／??。，２??（ａ）圖模型Ｇ＝?（Ｖ，￡）示意圖?（ｂ）尋求圖的一個(gè)最優(yōu)劃分??Ｃ２??Ｃ＞?，，？？＇、、??ａ、、?Ｏ＇１?／?（９Ｋ?ｎ〇?＇??。；丨?Ｊ、２＾??，，一。．２??．、、－?，??（ｃ）譜聚類最終輸出??圖２－４?譜聚類過(guò)程示意圖??按照學(xué)習(xí)數(shù)據(jù)樣本相似度度量方法的不同，基于譜聚類的子空間聚類算法主要??分為以下兩種類型：１）基于局部譜聚類方法，比如局部子空間相似（Ｌｏｃａｌ?Ｓｕｂｓｐａｃｅ??Ａｆｆｉｎｉｔｙ，?ＬＳＡ）［８１、局部線性流形聚類（Ｌｏｃａｌｌｙ?Ｌｉｎｅａｒ?Ｍａｎｉｆｏｌｄ?Ｃｌｕｓｔｅｒｉｎｇ，?ＬＬＭＣ）、??譜聚類最佳平面擬合（Ｓｐｅｃｔｒａｌ?Ｌｏｃａｌ?Ｂｅｓｔ－ｆｉｔＦｌａｔｓ，ＳＬＢＦ）等，通過(guò)利用每個(gè)數(shù)據(jù)??樣本周圍的局部鄰域信息，來(lái)建立樣本點(diǎn)對(duì)之間的相似度度量。然后應(yīng)用譜聚類算??法，得到數(shù)據(jù)樣本的最終劃分。由于任意數(shù)據(jù)樣本的鄰域可以包含來(lái)自不同低維??子空間的數(shù)據(jù)樣本，所以當(dāng)數(shù)據(jù)樣本分布在兩個(gè)低維子空間重合位置附近時(shí)，這??類方法會(huì)遇到困難，往往很難有效處理。此外，基于局部譜聚類方法，對(duì)于如何選??擇合適的鄰域半徑，來(lái)計(jì)算數(shù)據(jù)樣本的局部信息非常敏感。２）基于全局譜聚


本文編號(hào)：3119253