联合样本系数的拉普拉斯约束表示型聚类算法

联合样本系数的拉普拉斯约束表示型聚类算法

随着时间的推移，数据量每天都在变化。由于高维集群的需要，传统的集群算法无法很好地处理。集群，又称集群，是指根据不同的目标标准将复杂分布的输入数据分类为不同的集群的物理过程。集群结果是一组数据对象，其中相同的数据具有特征相似性，而其他数据则无关。上述聚类算法都通过Laplacian正则约束项引导关联矩阵构建,而其Laplacian矩阵都由输入样本直接计算得到,导致算法性能因初始值和具体数据状态的差异导致结果上较为明显的优劣.Guo1模型应用效果研究和实验结果已表明:自表示系数能够较好的体现高维数据集样本间的关联特性,而关联矩阵的构建则是谱分簇算法的关键步骤,其具体分布结构决定了模型应用效果.经过研究,Lu等受到组效应的启发,Hu等式中:α>0为平衡参数;‖·‖式中L在求解式(3)后得到平滑聚类算法模型的自表示系数矩阵Z为凸显组效应条件,光滑簇算法提出一种新的相似度元素计算方法,即式中κ>0用于控制关联度的波动,能够对初始特征震荡带来的影响进行有效的规避,从而使得平滑聚类算法模型具有更优异的聚类性能表现.从式(2)可得:平滑簇模型在组效应约束上添加数据相似度元素s2交替方向最小乘子法本节采用系数矩阵和Laplacian矩阵联合优化策略提出一种新的光滑簇模型,称为LRC,主要包含目标函数描述和模型更新求解两个内容.从概率性邻域和空间距离结构特性出发,为实现Laplacian矩阵的迭代更新,以近邻数据对应大相似度值、远邻数据对应小相似度值的思路构建关联矩阵,即式中:第二项用于规避s由式(7)中第1项与式(3)第2项等价,为减少模型复杂度,结合式(3,7),LRC的初始模型描述为与平滑聚类算法对比可知:式(8)目标函数通过添加邻接元素S,使其整体模型结构依旧保留了平滑聚类算法的光滑和重构等特性本质,保证在其优化结果Z式中c为目标聚类数,同时将条件T放入经典稀疏子空间分簇算法和低秩表示聚类算法模型,进而获得聚类效果的提升.但是,约束式T存在求解复杂的问题,一般通过向量投影并将其添加至式(8)得到模型的最终目标函数为由式(8)可知:目标函数式采用统一的优化框架综合了所有前述的先验条件和约束限制,用于表示系数学习以及联合矩阵构建.虽然式(8)中S和Z不具备联合凸性,但是当剩余变量固定时则存留变量都是凸函数.交替方向最小乘子法(Alternatingdirectionminimizingmultiplier,ADMM)式中:Φ(μ,C)≡ρ‖C‖2.1see问题显然E相关项均是二维的,为计算E2.2z子问题与E问题类似,对Z求导,得到式中I为单位矩阵.2.3q子问题与计算E和Z类似,通过封闭式求解可得2.4式2S为获得闭式求解效果,将式(15)变形为向量描述形式为式中f式中v式中:ζ,μ式中:(·)再依据s将式(20,21)代入式(19)中可知s式(22)具有闭式解并且仅含明确待调参数k,实现便捷性高.2.5基于admm的算法设计在确定S后,F由Laplacian矩阵通过特征分解并由前c个特征向量组成.最后,乘子μ算法1是LRC的整体构建流程,其中的迭代过程在‖X-XZ值得注意的是,至今为止仍未有ADMM算法在多变量情形下的收敛性理论证明,但相关算法都能收敛至一个稳定点3聚类分析结果本节以8种公开数据集为分簇目标,以聚类精度(Acc)和规范化互信息(NMI)两个分簇性能指标对LRC模型的应用性能进行验证:包括2个手写字体库USPS,MNIST;3个人脸图像库JAFFE,ORL,AR;1个生物采集库LUNG;1个语音波形库ISOLET;1个目标对象库COIL.表1是对各数据集预处理后的描述.对比聚类算法选用SSC表3,4分别给出了所有对比算法在各公开样本集中的Acc和NMI两个关键性能指标,各数值结果都由15次随机实验并取平均值得到,黑体代表性能排名最高,下划线代表次优的实验值.结合表3,4可知:LRC在综合聚类性能方面的表现明显优于其他,几乎囊括了所有数据集中最高的聚类性能指标,仅在USPS数据集的NMI结果弱于RSS.在COIL数据集中,LRC的聚类精度达到89.77%,较次优值76.32%领先17.62%;NLRR和SMC两者的聚类性能比较相近,分别得到6个和7个次优值;RSS即便在NMI指标中获得了一个最优值,但其次优值却只有3个;而LRS的真实数据集应用表现不佳,部分实验数据显示其性能甚至不如模型k-means,仅在合成的纯净数据中适用于应用.在算法稳定性方面,由于各数据集在空间分布结构、分组数、训练量和维数等方面都存在不同,因此算法间性能也出现一定的起伏.综上实验结果:LRC算法虽在数据集见的横向比较中存在起伏,但于其他算法的纵向对中表现出较强的稳定性,说明LRC具有更强的适应性和泛化性.4低秩正则约束算法实验基于ADMM求解算法,提出了一种新型数据聚类算法LRC,通过样本间概率性的邻接距离特性作为相似度矩阵的构造基础,建立关联矩阵和系数矩阵的联合优化目标函数;同时,通过对目标函数增加低秩正则约束条件,以获取清晰的对角块结构.其构造的目标模型具备了限制组效应条件、光滑表示特征和分块对角状态等.在模型求解方面,选取变量交替更新的方法,保证对于各个子目标的优化函数都具有最优解,其中为了使算法更加直观,减少在算法实施时人工参数设定的步骤,对相似矩阵S的计算进行了分解操作.通过真实公开数