解讀文獻：sparse subspace clustering (cvpr09)
現有的子空間聚類方法，可分為六大類： (本人感覺大都很陌生，
迭代的：k-subspaces, fitting a subspace to each cluster.
統計的：mixtures of probabilistic pca; multi-state learning
基於因式分解的；尋找乙個初始化的分割，通過矩陣分解~
譜聚類的：利用點之間的相似性~
代數的：generalized pca
資訊理論的：agglomerative lossy compression.
首先利用稀疏表示係數向量（子空間中結合），聚類資料，分為幾個分離的子空間。
相似性矩陣--》譜聚類，
未完待續中。。。。。
軟子空間聚類 自適應的軟子空間聚類演算法
自適應的軟子空間聚類演算法 陳黎飛郭躬德 姜青山 期刊名稱 軟體學報 年卷 期 2010 021 010 摘要 軟子空間聚類是高維資料分析的一種重要手段 現有演算法通常需要使用者 事先設定一些全域性的關鍵引數 且沒有考慮子空間的優化 提出了乙個新的軟子空 間聚類優化目標函式 在最小化子空間簇類的簇內...
子空間聚類演算法之PROCLUS
proclus是基於投影的子空間聚類演算法，搜尋策略為自頂向下。演算法基於中心點思想，適合球形簇資料集，採用曼哈頓距離度量物件的相似性。演算法一共分為以下三個階段 初始階段，選擇中心點超集 迭代階段，確定每乙個中心點的特徵維度，通過對聚類結果進行分析，並不斷迭代替換差的中心點，得到最優中心點集 優化...
高維資料軟子空間聚類FSC
一 針對問題 高位資料聚類存在兩個問題 高緯資料在距離計算上，任意兩點的距離都可能極為相近，導致難以將相似點和不相似點區分出來 高緯資料集的簇可能存在於不同的維度集合裡。二 文章的靈感 子空間聚類的推進 維數約減和特徵選擇背後的思路是 裁剪掉不重要的維度，實現從高維向低維空間的改變，以利於往後的聚類...