稀疏子空间聚类综述

• 作者: 冯象初 李小平 王卫卫 王斯琪
• 来源期刊: 自动化学报
• 关键词: 高维数据 子空间聚类 稀疏表示 低秩表示
• 年，卷（期）: 2015,（8）
• 所属期刊栏目: 综述
• 页码范围: 1373-1384
• 页数: 12页
• 字数: 9034字
• 语种: 中文
• DOI: 10.16383/j.aas.2015.c140891

摘要

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。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李小平	西安电子科技大学数学与统计学院	55	612	12.0	21.0
2	冯象初	西安电子科技大学数学与统计学院	124	1126	17.0	26.0
3	王卫卫	西安电子科技大学数学与统计学院	46	646	12.0	24.0
4	王斯琪	西安电子科技大学数学与统计学院	4	120	4.0	4.0