高维数据子空间聚类算法研究.pdf

matlab中存档算法代码L0动机的低秩稀疏子空间（LRSSC） 概述 在MATLAB中提出的GMC-LRSSC和L0-LRSSC的MATLAB实现。 GMC-LRSSC通过使用基于最小最大凹（GMC）罚函数的多元泛化的正则化来解决子空间聚类问题。 L0-LRSSC解决了Schatten-0和L0准规范的正则化目标。 为了运行建议的算法，提供了示例脚本和数据（run_dataset_name脚本）。 数据集 本文中使用的数据集可在“数据集”目录中找到。 数据集目录包括来自的扩展Yale B数据集，来自的USPS数据集，来自的MNIST数据集以及来自UCI机器学习存储库（）的ISOLET1数据集。 引用 在研究工作中使用代码时，请引用Maria Brbic和Ivica Kopriva撰写的“ℓ₀-动机低秩稀疏子空间聚类”。 @article{brbic2018, title={$\ell_0$-Motivated Low-Rank Sparse Subspace Clustering}, author={Brbi\'c, Maria and Kopriva, Ivica}, journa

大数据-算法-高维数据子空间聚类算法研究.pdf

matlab代码FMR（用于子空间聚类的灵活多视图表示学习） 这是 的 Matlab 实现，发表于 IJCAI 2019。 联系人：李瑞煌() 纸 主要贡献包括： 我们建议通过鼓励它以加权的方式与不同的视图相似来构建一个潜在的表示，这隐含地强制它编码来自多个视图的互补信息。 我们引入了内核依赖度量：Hilbert Schmidt Independence Criterion (HSIC)，以捕获不同视图之间的高阶非线性关系，这有利于恢复数据的底层集群结构。 示例结果 数据 在这个例子中，我们加载了耶鲁数据集，其中包含 15 个主题的 165 张灰度人脸图像。 逃离 演示_FMR.m 引用 如果您在自己的工作中使用此代码，请引用以下论文： @inproceedings{li2019flexible, title={Flexible multi-view representation learning for subspace clustering}, author={Li, Ruihuang and Zhang, Changqing and Hu, Qinghua and Zhu, Pe

多视图聚类旨在综合利用视图数据中的一致信息和互补信息实现对数据的划分, 但各视图表征数据的能力参差不齐, 甚至有的视图可能含有大量的冗余和噪声信息, 不仅不能带来多样的信息, 反而影响聚类性能. 本文提出了自适应加权的低秩约束的多视图子空间聚类算法, 通过自适应学习的方式给各视图赋予不同权重来构造各视图共享的潜在一致低秩矩阵. 并且提出了有效的可迭代优化算法对模型进行优化. 在5个公开数据集上的实验结果表明所提算法的有效性.

现有的聚类算法在提取用于聚类时间序列数据的平滑子空间方面很弱。 在本文中，我们提出了一种新的k均值类型平滑子空间聚类算法，称为时间序列k均值（TSkmeans），用于对时间序列数据进行聚类。 提出的TSkmeans算法可以有效地利用时间序列数据集的固有子空间信息来增强聚类性能。 更具体地说，平滑子空间由加权时间戳表示，加权时间戳指示这些时间戳对于聚类对象的相对判别力。 我们工作的主要贡献包括设计一个新的目标函数，以指导时间序列数据的聚类，以及开发新颖的更新规则，以针对平滑子空间进行迭代聚类搜索。 基于综合数据集和五个实际数据集，我们的实验结果证实，在诸如Accuracy，Fscore，RandIndex，和正常的共同信息。

Sparse Subspace Clustering基于人脸分割的子空间聚类的原始代码。

稀疏子空间聚类算法的Python实现 稀疏子空间聚类是一种基于稀疏表示理论的技术的子空间聚类算法。 有关更多信息，请参见。 此实现基于提供的 。 要求-numpy，scipy，sklearn，cvxpy。 经过Python 3测试。 可以从安装cvxpy python软件包。 从SSC.py开始探索。 此文件中的SSC_test()方法提供了子空间群集的基本示例。 运行： python SSC.py 注意：此代码已投入大量精力。 如果您决定使用此代码，我非常感谢的电子邮件。

数字视频广播网 :game_die: 用于“多视图深度子空间群集网络”的Tensorflow回购 （提交给TIP 2019 ） 概述 在这项工作中，我们通过以端到端的方式学习多视图自表示矩阵，提出了一种新颖的多视图深子空间聚类网络（MvDSCN）。 MvDSCN由两个子网组成，即分集网络（Dnet）和通用网络（Unet）。 在深度卷积自动编码器上建立潜在空间，并使用完全连接的层在潜在空间中学习自表示矩阵。 Dnet学习特定于视图的自表示矩阵，而Unet学习所有视图的公共自表示矩阵。 为了利用多视图表示的互补性，引入希尔伯特·施密特独立标准（HSIC）作为分集正则化，可以捕获非线性和高阶视图间关系。 由于不同的视图共享相同的标签空间，因此每个视图的自表示矩阵通过通用性正则化与公共视图对齐。 要求 张量流 科学的 麻木 斯克莱恩 蒙克雷斯 用法 通过发布结果进行测试： python main.py --t

hosvd matlab代码超图聚类 基于张量的MATLAB代码用于超图分区和子空间聚类的方法 该目录包含与论文[1]相关的所有实现。 这也包括[2,3,4]中提出的方法的实现。 D. Ghoshdastidar和A. Dukkipati。 统一超图分区：可证明的张量方法和采样技术。 机器学习研究杂志18（50），第1-41页，2017年。 D. Ghoshdastidar和A. Dukkipati。 种植分割模型下光谱超图分割的一致性。 统计年鉴， 2017，45（1）：289-315。 D. Ghoshdastidar和A. Dukkipati。 均匀超图分割的一种可行的广义张量谱方法。 在第32届国际机器学习会议（ICML）的会议记录中，PMLR 37：400-409，2015。 D. Ghoshdastidar和A. Dukkipati。 种植分配模型下均匀超图谱分配的一致性。 2014年，《神经处理系统进展》（NIPS） 。 如果您在工作中使用这些代码/结果，请引用[1]。 如果使用[2,4]中的方法，请相应引用。 版权 版权所有（c）2017 特此免费授予获得此软件和相关文