基于局部约束的协同表示构造高维数据谱聚类的亲和矩阵
大多数的聚类算法都不适合对高维数据进行聚类,原因是“ 维度”。随着维度的增加,数据将变得稀疏,对象之间的距离趋于相同,并且嘈杂的功能也会增加。 它降低了聚类的有效性算法敏锐。 频谱聚类是一种面向图的子空间聚类方法,其关键是构造一个健壮的anity矩阵。 最近,稀疏表示(SR)和协作表示(CR)编码方案已被证明是有效的线性表示模型。 但是,它们不是数据嘈杂时足够强大。 局限性协作表示(LCR)已显示通过在分类中的CR编码方案中引入局部一致性来提高其对噪声和异常值的鲁棒性高维数据。 在本文中,我们建议构造用于光谱的鲁棒抗性矩阵使用LCR系数向量对高维数据进行聚类以提高聚类性能。 实验说明了我们提出的算法在对高维数据进行聚类时的优先级。
下载地址
用户评论
下载不下来
资源很难找 挺好的
非常经典的两本书，感谢LZ分享！
还不错，书是挺经典的。
就是没有目录 看起来不舒服
Nice collection of the book. Clear and detail about the data structure.