软件学报

作者：郑建炜,李卓蓉,王万良,陈婉君

单位：郑建炜，浙江工业大学 计算机科学与技术学院, 浙江 杭州 31002311,李卓蓉，浙江工业大学 计算机科学与技术学院, 浙江 杭州 310023;浙江大学城市学院 计算机与计算科学学院, 浙江 杭州 31001502,王万良，浙江工业大学 计算机科学与技术学院, 浙江 杭州 31002303,陈婉君，浙江工业大学 计算机科学与技术学院, 浙江 杭州 31002304

关键词：Laplacian矩阵;特征选择;谱聚类;相似度矩阵;低秩约束

基金：国家自然科学基金（61602413，61873240）；浙江省自然科学基金（LY19F030016）

在信息爆炸时代，大数据处理已成为当前国内外热点研究方向之一.谱分析型算法因其特有的性能而获得了广泛的应用，然而受维数灾难影响，主流的谱分析法对高维数据的处理仍是一个极具挑战的问题.提出一种兼顾维数特征优选和图Laplacian约束的聚类模型，即联合拉普拉斯正则项和自适应特征学习（joint Laplacian regularization and adaptive feature learning，简称LRAFL）的数据聚类算法.基于自适应近邻进行图拉普拉斯学习，并将低维嵌入、特征选择和子空间聚类纳入同一框架，替换传统谱聚类算法先图Laplacian构建、后谱分析求解的两级操作.通过添加非负加和约束以及低秩约束，LRAFL能获得稀疏的特征权值向量并具有块对角结构的Laplacian矩阵.此外，提出一种有效的求解方法用于模型参数优化，并对算法的收敛性、复杂度以及平衡参数设定进行了理论分析.在合成数据和多个公开数据集上的实验结果表明，LRAFL在效果效率及实现便捷性等指标上均优于现有的其他数据聚类算法.

来源：2019年第12期

《软件学报》期刊编辑部

查看软件学报杂志2019年第12期