-
题名联合低秩稀疏的多核子空间聚类算法
被引量：8
- 1
-
-
作者
李杏峰
黄玉清
任珍文
-
机构
西南科技大学信息工程学院
西南科技大学国防科技学院
-
出处
《计算机应用》
CSCD
北大核心
2020年第6期1648-1653,共6页
-
基金
国家自然科学基金资助项目(61673220)
国家国防科技工业局项目(JCKY2017209B010,JCKY2018209B001)。
-
文摘
针对多核子空间谱聚类算法没有考虑噪声和关系图结构的问题,提出了一种新的联合低秩稀疏的多核子空间聚类算法(JLSMKC)。首先,通过联合低秩与稀疏表示进行子空间学习,使关系图具有低秩和稀疏结构属性;其次,建立鲁棒的多核低秩稀疏约束模型,用于减少噪声对关系图的影响和处理数据的非线性结构;最后,通过多核方法充分利用共识核矩阵来增强关系图质量。7个数据集上的实验结果表明,所提算法JLSMKC在聚类精度(ACC)、标准互信息(NMI)和纯度(Purity)上优于5种流行的多核聚类算法,同时减少了聚类时间,提高了关系图块对角质量。该算法在聚类性能上有较大优势。
-
关键词
低秩稀疏
关系图结构
子空间学习
多核
谱聚类
-
Keywords
low-rank and sparse
relation graph structure
subspace learning
multiple kernel
spectral clustering
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名基于决策图的三维模型无监督聚类算法
被引量：2
- 2
-
-
作者
徐欣
舒振宇
陈双敏
辛士庆
屠长河
-
机构
宁波大学信息科学与工程学院
浙江大学宁波理工学院信息科学与工程学院
山东大学计算机科学与技术学院
-
出处
《宁波大学学报（理工版）》
CAS
2018年第4期46-51,共6页
-
基金
国家自然科学基金(61772016
61332015)
+2 种基金
浙江省自然科学基金(LY17F020018)
宁波市自然科学基金(2017A610115)
浙江大学国家重点实验室开放基金(A1702)
-
文摘
针对三维模型的无监督聚类问题,目前广泛采用基于词袋的方法具有两大缺陷,既无法准确知道聚类的数目,也不能适用于结构复杂(比如呈流形结构)的形状空间.为此,本文采用两大方法加以改进,其一利用有流形聚类功能的决策图方法取代K-means,其二使用核函数更加有效地衡量三维形状之间的差异.在SHREC2010库和SHREC2011库上的大量实验结果表明,两种技巧的有机结合使聚类的精确度和效率得到了显著的提升.
-
关键词
核函数
无监督聚类
三维模型
决策图
多特征融合
-
Keywords
kernel function
unsupervised clustering
3D models
decision graph
fusing multiple features
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名鲁棒自加权多核子空间图聚类算法
被引量：1
- 3
-
-
作者
黄治力
谌永祥
李永桥
-
机构
西南科技大学制造科学与工程学院
-
出处
《电光与控制》
CSCD
北大核心
2021年第4期43-47,共5页
-
基金
国家自然科学基金(61673220)
四川省教育厅资助科研项目(17ZB0444)。
-
文摘
针对线性加权多核图聚类方法限制了共识核的表达能力和再生核希尔伯特空间中噪声污染的问题,提出一种鲁棒多核子空间图聚类算法(RSMKL),旨在增强核的表达能力和提高核空间中噪声的鲁棒性。该算法利用一种新颖的非线性自加权核融合策略来生成最佳的共识核,同时在核空间利用低秩约束模型来消除噪声对关系图质量的影响。最后,提出一种基于交替方向乘子的迭代优化算法求解目标函数。与5种同类流行算法在5个常用数据集上比较,实验结果表明RSMKL在聚类精度(ACC)、标准互信息(NMI)和聚类纯度(Purity)上具有更好的聚类性能。
-
关键词
子空间聚类
谱图聚类
关系图学习
多核学习
低秩约束
-
Keywords
subspace clustering
spectral graph clustering
affinity graph learning
multiple kernel learning
low-rank representation
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名基于上界单纯形投影图张量学习的多核聚类算法
被引量：1
- 4
-
-
作者
雷皓云
任珍文
汪彦龙
薛爽
李浩然
-
机构
西南科技大学国防科技学院
电子科技大学信息与通信工程学院
计算机软件新技术国家重点实验室(南京大学)
浙江传媒学院媒体工程学院
-
出处
《计算机应用》
CSCD
北大核心
2021年第12期3468-3474,共7页
-
基金
四川省科技厅应用基础研究项目(2021YJ0083)
国家自然科学基金资助项目(62106209)
+3 种基金
南京大学计算机软件新技术国家重点实验室资助项目(KFKT2021B23)
浙江省基础公益研究计划项目(LGF21F020003)
重庆自然科学基金资助项目(cstc2020jcyj-msxmX0473)
浙江省影视媒体技术研究重点实验室开放基金课题(2020E10015)。
-
文摘
近年来,多核图聚类(MKGC)受到了广泛的关注,这得益于多核学习能有效地避免核函数与核参数的选择,而图聚类能充分挖掘样本间的复杂结构信息。然而现有的MKGC方法存在着如下问题:图学习技术使得模型复杂化,图拉普拉斯矩阵的高秩特性使其难以保证学到的关系图包含精确的c个连通分量(块对角性质),以及大部分方法忽略了候选关系图间的高阶结构信息,使得多核信息难以被充分利用。针对以上问题,提出了一种新的MKGC方法。首先,提出一种新的上界单纯形投影图学习方法,直接将核矩阵投影到图单纯形上,降低了计算复杂度;同时,引入一种新的块对角约束,使学到的关系图能保持精确的块对角属性;此外,在上界单纯形投影空间中引入低秩张量学习来充分挖掘多个候选关系图的高阶结构信息。在多个数据集上与现有的MKGC方法相比,所提出方法计算量小、稳定性高,在聚类精度(ACC)和标准互信息(NMI)指标上具有较大的优势。
-
关键词
多核图聚类
上界单纯形
张量学习
块对角性质
高阶结构信息
-
Keywords
multiple kernel graph clustering(mkgc)
capped simplex
tensor learning
block diagonal property
high-order structural information
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
