聚类分析现状

 针对上述问题，一种结合降维技术和聚类算法的解决方案被广泛认可，即先采用降维技术，如主成分分析、局部线性嵌入或核方法等对数据进行降维，再对降维后的特征进行聚类．该方案虽然在一定程度上降低了高维空间的聚类难度，但由于数据降维是独立于聚类任务的，这意味着提取的特征往往并不具备簇类结构．子空间方法则提供另一种很好的思路． 该方法假设高维数据分布于多个低维子空间的组合，通过将高维数据分割到各自所属的本征低维子空间，从而完成聚类． 子空间聚类方法大致分为 5 类，即基于矩阵分解的方法［9-10］、基于代数的方法［11-13］、基于迭代的方法［14-15］、基于统计的方法［16-18］和基于谱聚类的 方 法［19-21］． 其中以稀疏子空间聚类 ( sparsesubspaces clustering，SSC) ［20］ 和 低 秩 子 空 间 聚 类( low-rank subspaces clustering，LＲSC) ［21］为代表的谱聚类方法，凭借其完备的理论与突出的性能在同类方法中脱颖而出，成为近年来的研究热点． 然而上述 2 种方案均采用的是浅层模型，由于浅层结构。