包邮非线性数据挖掘

1 绪论1.1 研究背景和研究意义1.2 子空间聚类概述1.3 稀疏子空间聚类概述1.3.1 单视图稀疏子空间聚类研究现状1.3.2 多视图稀疏子空间聚类研究现状1.4 稀疏子空间聚类相关理论1.4.1 稀疏表示1.4.2 低秩表示1.4.3 子空间聚类的优化算法1.5 本文的主要工作1.6 论文结构安排2 基于非凸低秩核的鲁棒子空间聚类2.1 引言2.2 相关工作2.2.1 Schatten p-范数2.2.2 相关熵2.3 鲁棒低秩核子空间聚类模型及求解策略2.3.1 鲁棒低秩核子空间聚类模型2.3.2 模型的优化与求解2.3.3 RLKSC 的完整算法2.4 收敛性及计算复杂度分析2.4.1 收敛性分析2.4.2 计算复杂度分析2.5 实验结果与分析2.5.1 实验设置2.5.2 在 YaleB 数据集上的人脸聚类2.5.3 在 AR 数据集上的人脸聚类2.5.4 在 COIL-20 数据集上的物体聚类2.5.5 在 Hopkins155 数据集上的运动分割2.5.6 参数选择及收敛性验证2.6 本章小结3 融合协同表示与低秩核的鲁棒多视图子空间聚类3.1 引言3.2 主要符号及相关工作3.2.1 主要符号3.2.2 非凸低秩核策略3.3 RLKMSC 模型及求解策略3.3.1 Centroid-based RLKMSC 的模型提出及优化3.3.2 Pairwise RLKMSC 的模型及优化3.3.3 RLKSC 的完整算法3.4 收敛性及计算复杂度分析3.4.1 收敛性分析3.4.2 计算复杂度3.5 实验与结果分析3.5.1 数据集简介3.5.2 对比算法及实验设置3.5.3 实验结果与分析3.5.4 参数选择及收敛性验证3.6 本章小结4 基于 WSNM 的异核多视图鲁棒子空间聚类4.1 引言4.2 关键缩写及相关工作4.2.1 关键缩写4.2.2 加权 Schatten p-范数4.2.3 多核策略4.3 MKLR-RMSC 模型及求解策略4.3.1 模型 MKLR-RMSC 的提出4.3.2 模型 MKLR-RMSC 的优化与求解4.3.3 模型 MKLR-RMSC 的完整算法4.4 计算复杂度分析4.5 实验与结果分析4.5.1 数据集简介4.5.2 实验设置4.5.3 聚类结果及讨论4.5.4 参数敏感性4.5.5 收敛性验证4.5.6 计算性