隐子空间聚类算法的改进及其增量式算法

来源：计算机科学与探索杂志2017年第5期北京时间：

作者：董琪，王士同

单位：江南大学 数字媒体学院，江苏 无锡 214122

摘要：基于稀疏表示的隐子空间聚类（latent subspace clustering，LSC）算法，相对于传统的子空间聚类算法，具有更快的聚类速度，使其适用于更大的数据集，但是其存在字典训练具有随机性，占用内存过多等缺陷。参照LC-KSVD字典训练算法的思想，通过将一部分信号的标签信息添加进字典训练阶段，以此提高了字典的判别性，进而提出了聚类精度更好的ILSC（improved LSC）算法。但相比于LSC算法，ILSC算法在字典训练阶段的耗时却大幅增加，针对此缺陷，参照增量字典训练的思想，提出了ILSC算法的增量式聚类算法I2LSC（incremental ILSC），在确保聚类精度、NMI（normalized mutual information）、RI（Rand index）值高于LSC且与ILSC相当的同时，较之ILSC具有更快的运行速度。

关键词：子空间聚类,隐子空间聚类（LSC）,判别式字典训练,增量式字典训练