基于RPCA对高维数据子空间聚类的预测方法
【出 处】:
【作 者】:
吕红伟
王士同
江南大学数字媒体学院
江苏无锡214122
【摘 要】预测子空间聚类PSC算法由于建立在PCA模型下,无法鲁棒地进行主元分析,导致在面对带有强噪声的数据时,聚类性能受到严重影响。为了提高PSC算法对噪声的鲁棒性,利用近年来受到广泛关注的RPCA分解技术得到数据的低秩结构,鲁棒地提取子空间,具体地,通过将RPCA模型融入PSC算法,提出了一种基于RPCA的预测子空间聚类算法。该算法在RPCA模型下检测强影响点,不但可以有效地进行变量选择和模型选择,而且更重要的是改善了PSC算法在噪声环境下的聚类性能。在真实基因表达数据集上的实验结果表明,改进后的算法较之经典的PSC算法无论在无噪声或加噪声环境下都表现出一定聚类优势及良好的鲁棒性。
相关热词搜索: RPCA 子空间聚类 变量选择 模型选择 鲁棒性
上一篇:一种改进的SVM算法在乳腺癌诊断方面的应用
下一篇:三维模型的空间匹配与拼接