稀疏子空间聚类(Sparse subspace clustering,SSC)是一种基于谱聚类的数据聚类框架.高维数据通常分布于若干个低维子空间的并上,因此高维数据在适当字典下的表示具有稀疏性.稀疏子空间聚类利用高维数据的稀疏表示系数构造相似度矩阵,然后利用谱聚类方法得到数据的子空间聚类结果.其核心是设计能够揭示高维数据真实子空间结构的表示模型,使得到的表示系数及由此构造的相似度矩阵有助于精确的子空间聚类.稀疏子空间聚类在机器学习、计算机视觉、图像处理和模式识别等领域已经得到了广泛的研究和应用,但仍有很大的发展空间.本文对已有稀疏子空间聚类方法的模型、算法和应用等方面进行详细阐述,并分析存在的不足,指出进一步研究的方向.

较为详细的聚类综述，对传统聚类算法进行了整理描述，缺陷是有点陈旧，零几年的论文。最大的价值或许就是后面的引文了，通过引文可以直接获取聚类算法的论文，避免无谓的查找资料。

分层次聚类法（最短距离法）、K平均聚类法（距离平方和最小聚类法）、叠代自组织（ISODATA）聚类法

时间序列聚类综述

主要讲聚类算法的综述。这篇文章几乎将各个领域的聚类算法给一网打尽，太好了。从各种方向上来谈论聚类算法(层次, 划分 ,大数据集, 图形,文本聚类 , 模糊聚类 等)，以及聚类的相关问题(如何计算距离, 如何确定聚类个数, 如果对聚类结果进行评价等)