通过调制的低秩表示对高光谱图像进行光谱空间子空间聚类

在本文中，提出了一种新颖的光谱空间低秩子空间聚类算法（SS-LRSC），用于聚类高光谱图像（HSI）。 通常，直接使用传统的.LRSC框架无法充分利用原始空间域中的样本相关性。 因此，提出的方法利用新颖的调制策略来修改低秩表示矩阵，该矩阵充分利用了结构相关性。 具体地，首先将频谱和表示相似度加权矩阵应用于调制表示矩阵。 进一步结合了另一种基于局部空间双边滤波的调制。 最后，将调制方法集成到LRSC框架中。受益于调制方法的功能，SS-.LRSC可以捕获数据的结构相关性和固有特征信息，从而为恒指。 进行了几次实验以说明所提出算法的性能。

论文研究-非负局部约束低秩子空间聚类算法.pdf

在低秩表示算法的基础上，提出了一个新模型。新模型构建了揭示数据内在特征联系的亲和度图以实现聚类任务。首先，根据矩阵分解原理对原始数据重新生成数据字典，在算法初始输入时筛除部分噪声。其次，利用数据间的稀疏性加强局部约束，为给定的数据向量构建非负低秩亲和度图。亲和度图中边的权重由非负低秩稀疏系数矩阵获得，系数矩阵通过每个数据样本作为其他数据样本的线性组合完成构建，如此获得的亲和度图显示了数据的子空间结构，同时表现局部线性结构。与现存的子空间算法相比，非负局部约束低秩子空间算法在聚类效果上有明显的提升。

matlab子空间聚类

可以用于数学建模 其中还会有关于稀疏子空间的相关英文论文 有兴趣的可以看一看

低秩表示代码

TPAMI2013LRR低秩表示和子空间聚类算法代码，亲测可用

稀疏子空间聚类代码包

CVPR2009的稀疏子空间聚类代码，亲测可用，以帮助需要的人

高维数据子空间聚类算法研究

高维数据下的子空间聚类算法研究，博士论文 博士论文

一种改进的稀疏子空间聚类算法

一种改进的稀疏子空间聚类算法，我们都想看

低秩表示MATLAB代码

低秩表示的lrr MATLAB代码 只能适用于最基础的分解，低秩表示的lrr MATLAB代码 只能适用于最基础的分解低秩表示的lrr MATLAB代码 只能适用于最基础的分解低秩表示的lrr MATLAB代码 只能适用于最基础的分解低秩表示的lrr MATLAB代码 只能适用于最基础的分解低秩表示的lrr MATLAB代码 只能适用于最基础的分解完整版本还需要联系本人一个积分交个朋友 经此而已

论文研究-基于重建系数的子空间聚类融合算法.pdf

针对稀疏子空间聚类（sparse subspace clustering，SSC）和低秩子空间聚类（low rank subspace clustering，LRSC）这两种子空间聚类方法的聚类准确率和稳定性不够高，提出一种基于重建系数的子空间聚类融合算法（reconstruction coefficients based subspace clustering combination algorithm，RCSCC）。该算法基于重建系数，将稀疏子空间聚类和低秩子空间聚类分别得到的相似度矩阵进行点乘融合运算，然后再用谱聚类来得到最后的聚类结果。实验结果表明，改进后的聚类融合算法不仅提高了聚类的准确率，还有效提高了聚类的稳定性和鲁棒性，从而验证了改进后的算法是有效可行的。

稀疏子空间聚类

SSC聚类代码，里面包含有用SSC算法处理2a.mat数据的实例，可以快速学会怎么使用这个工具包

鲁棒稀疏子空间聚类RLRR代码

低秩表示是一类重要的子空间聚类方法，该资源属于鲁棒稀疏子空间聚类，对包含outliers的数据样本具有鲁棒性，子空间聚类可用于前景背景分割，特征提取，异常点检测，目标识别等多个领域

论文研究-稀疏条件下的重叠子空间聚类算法.pdf

现有子空间聚类算法不能很好地平衡子空间数据的稠密性和不同子空间数据稀疏性的关系，且无法处理数据的重叠问题。针对上述问题，提出一种稀疏条件下的重叠子空间聚类（OSCSC）算法。算法利用l1范数和Frobenius范数的混合范数表示方法建立子空间表示模型，并对l1范数正则项进行加权处理，提高不同子空间的稀疏性和同一子空间的稠密性；然后对划分好的子空间使用一种服从指数族分布的重叠概率模型进行二次校验，判断不同子空间数据的重叠情况，进一步提高聚类的准确率。在人造数据集和真实数据集上分别进行测试，实验结果表明，OSCSC算法能够获得良好的聚类结果。

论文研究-基于子空间聚类的高维数据可视分析方法综述.pdf

随着信息技术的飞速发展和大数据时代的来临，数据呈现出高维性、非线性等复杂特征。对于高维数据来说，在全维空间上往往很难找到反映分布模式的特征区域，而大多数传统聚类算法仅对低维数据具有良好的扩展性。因此，传统聚类算法在处理高维数据的时候，产生的聚类结果可能无法满足现阶段的需求。而子空间聚类算法搜索存在于高维数据子空间中的簇，将数据的原始特征空间分为不同的特征子集，减少不相关特征的影响，保留原数据中的主要特征。通过子空间聚类方法可以发现高维数据中不易展现的信息，并通过可视化技术展现数据属性和维度的内在结构，为高维数据可视分析提供了有效手段。总结了近年来基于子空间聚类的高维数据可视分析方法研究进展，从基于特征选择、基于子空间探索、基于子空间聚类的3种不同方法进行阐述，并对其交互分析方法和应用进行分析，同时对高维数据可视分析方法的未来发展趋势进行了展望。

低秩表示 matlab 代码

低秩表示MATLAB代码，自己亲自测试过，是有效可用的呢

论文研究-结构化稀疏低秩子空间聚类.pdf

通过定义子空间结构化低秩正则项，将其与子空间结构化稀疏子空间聚类模型相结合，给出一个新的统一优化模型。新模型利用数据的类别属性和相似度互相引导，使得相似度具有判别性和一致性，类别属性具有一致性。相似度的判别性有利于将不同子空间的数据分为不同类，而一致性有利于将同一子空间的数据聚为一类。大量实验表明提出的方法优于一些典型的两步法和子空间结构化稀疏子空间聚类模型。

一种基于海量高维数据的软子空间聚类改进算法

基于加权的软子空间聚类是处理高维数据的一种有效手段,在原有的软子空间聚类算法基础上对目标函数进行改进,从而结出一种新的软子空间聚类算法.相较之原算法,此算法具有更高的抗噪性及聚类效率;通过与典型的软子空间聚类算法比较试验,结果表明可有效提高海量高维数据的聚类处理效率.

论文研究-结构图正则低秩子空间聚类.pdf

针对结构稀疏子空间聚类中不能很好地保证相似度矩阵连接性的问题，给出了一个新的统一优化模型。首先，引入了表示系数矩阵的子空间结构范数，增加了低秩表示来揭示高维数据的全局结构。其次，为了使相似度矩阵具有类内统一，类间稀疏的作用，还定义了分组效应来捕获数据的内部几何结构，提出了结构图正则低秩子空间聚类模型。最后使用自适应惩罚的线性化交替法（LADMAP）来得到最优解。实验结果表明，该模型不但可以捕获数据的全局结构，而且还可以捕获数据的内在几何结构，迫使相关数据紧密结合，不相关数据松散分离，从而使得相似度矩阵与分割矩阵变得更加一致。

论文研究 - 稀疏和协同子空间聚类的森林火灾识别

传统的基于烟雾，温度和光的特征的森林火灾识别无法准确检测和响应早期火灾。 通过分析火焰的特性，基于航空图像识别的方法已被广泛使用，例如基于RGB和基于HIS的方法。 但是，这些方法易受引起干扰和错误检测的背景因素的影响。 为了缓解这些问题，我们研究了两种基于稀疏和协同表示的子空间聚类方法，以检测和定位森林火灾。 首先，子空间聚类从整个图像中分割出火焰。 之后，采用稀疏或协作表示法在具有l1正规化或l2正规化术语的词典中表示大多数火焰信息，从而减少了重建误差。 实验结果表明，所提出的SSC和CSC明显优于现有方法。