计算机科学与探索

作者：钱罗雄, 陈梅, 张弛, 张锦宏, 马学艳

单位：兰州交通大学 电子与信息工程学院，兰州 730070

关键词：聚类,低秩表示,秩约束,对数行列式低秩

针对现有低秩图表示算法在构建表示图时未能精确捕获数据的全局表示结构、未能充分利用数据有效信息指导表示图的构建以及构建的表示图不具有适于聚类的连通结构等问题，提出了平滑非负低秩图表示聚类算法（SNLRR）。SNLRR采用一种更符合矩阵秩特性的对数行列式函数代替核范数平滑地估计秩，有效降低矩阵较大奇异值对秩估计的影响，平衡了所有奇异值对秩估计的贡献比重，增强秩估计的准确性，从而更精准地捕获数据的全局表示结构。为了更加准确地捕获数据局部表示结构，SNLRR引入距离正则项为每个数据点自适应地分配最优近邻学习表示矩阵。此外，SNLRR对表示矩阵的拉普拉斯矩阵施加秩约束，使最终学习到的表示图具有与簇个数相同数量的连通分量，即表示图具有适于聚类的连通结构。与八个对比算法在七个高维且分布复杂的数据集上的实验结果显示，SNLRR算法的聚类性能均优于八种对比算法，Accuracy平均提高了0.207 3，NMI平均提高了0.175 8。因此，SNLRR是一个能够有效处理维度高且分布复杂数据的图表示聚类算法。

来源：2024年第3期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2024年第3期