子空间增强算法，包含两个程序，其中一个为子程序，本来研究的是子空间去噪，拿来做参考和测试的。发现该程序与我的方向偏离，但可以从中借鉴一些思路。

针对高维数据聚类的问题，许多有效的方法已经被提出，级联的子空间聚类算法CSC就是一种有效的解决法案。但是CSC算法定义的聚类损失可能破坏特征空间，从而取得非代表性的无意义特征，进而损害聚类性能。为了解决这一问题，提出了一种结合自编码器保留数据结构的改进算法。具体地说，使用聚类损失作为引导，分散特征空间数据点，同时采用一种欠完备的自动编码器作为重构损失，约束操作和维护数据生成分布的局部结构。将两者结合，共同优化聚类标签的分配，学习适合聚类的局部结构保留特征。使用自适应矩估计（Adam）和小批量随机梯度下降（mini-batch SGD）两种优化方法调整模型参数。在多个数据集上，使用聚类结果准确率（ACC）、标准互信息（NMI）和调整rand指数（ARI）三个评价指标验证了该算法的有效性和优越性。

一些有关于随机子空间（SSI）的matlab代码，比较齐全，运行起来无出错，用来求模态参数，比如频率、阻尼比等

本部分为第三部分，整合前两步骤，进行了全流程的注释分析，.m文件可以直接运行。每一条语句都进行了注释，初学者可以有直观的了解。

深度多模态子空间聚类的发展重要的几篇论文，这一方法对聚类增加了深度学习的方法，值得学习与研究

DMSC(深度多模态子空间聚类基于Pytorch的实现)，融合方式为亲和融合，空间融合很容易也可以实现。

空间谱估计中的选择不变子空间方法

关于模式识别的一本电子书，芬兰人，奥亚写的，学习模式识别的人可以看看

提出一种基于改进稀疏子空间聚类的图像分割方法。首先将图像进行过分割得到一些均匀区域称 为超像素，并提取超像素的颜色直方图作为其特征；然后建立特征数据的改进稀疏子空间表示并由此构造图相似 度矩阵，最后利用谱聚类算法得到超像素的聚类结果并作为图像分割结果。实验结果表明，本文提出的改进稀疏 子空间聚类方法具有良好的聚类性能，对噪声具有一定的鲁棒性；用于自然图像能够得到更好的分割效果。

现有各类子空间DOA测向算法为避免阵列模糊一般要求阵元间距小于半波长,但为获得更好的测向性能又需要较大的阵列尺寸,这需要大量的阵元,提高系统复杂度和成本.为克服这个问题,本文基于多重信号分类(MUSIC)算法提出一种采用半径不同的多口径组合阵列进行DOA测向方法.其中小尺寸阵列能够避免测向模糊问题,同时对空间谱起到平滑作用,从而降低空间谱计算复杂度;而具有较少阵元数目的大尺寸阵列主要用于提高测向算法精度和分辨力.本文给出算法的原理与实现步骤,并对算法精度和分辨力进行了分析和仿真,理论分析和仿真结果表明算法的有效性.