LRR子空间聚类

最新推荐文章于 2023-08-27 16:08:03 发布
VIP文章 最新推荐文章于 2023-08-27 16:08:03 发布
阅读量3.4k 收藏 25
点赞数 5
分类专栏： 聚类 文章标签： 聚类 数据挖掘 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42115919/article/details/123221181
版权

题目：Robust Recovery of Subspace Structures by Low-Rank Representation

一. 前置知识

1. 子空间

矩阵的四大基础子空间
子空间

2. SVD

什么是奇异值分解SVD

3. 字典学习

字典学习（Dictionary Learning, KSVD）详解

4. 其他概念

Robust Recovery of Subspace Structures by Low-Rank Representation

二. 创新点

传统的子空间聚类有局限性：要求数据干净。

什么是干净？

就是没有错误。错误有三种：噪声，随机缺失，特定样本缺失（离群值）：
在这里插入图片描述
这篇文章可以对这三种错误进行规避。

三. 过程

1. 准备工作

在iii.A部分，作者说明了一堆专业名词的定义。
在iii.B部分，作者科普了子空间分割的概念。
将 X X X奇异值分解为 U X ∑ X V X T U_X\sum_XV_X^T

最低0.47元/天 解锁文章
随缘好不好
关注
  • 5
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
鲁棒稀疏子空间聚类RLRR代码
03-19
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
低秩矩阵表示（LRR）
u011584941的专栏
03-09 9643
LRR 本文主要结合《Robust Subspace Segmentation by Low-Rank Representation》（ICML 2010）来说明 提出背景：  相比于SR（稀疏表示），LRR可以更好的表示数据的整体结构。 应用：结合子空间分割与噪声识别于一个框架中用于处理多子空间问题。
入门：Robust Subspace Structure Recovery and Subspace Segmentation via Low-Rank Representation 辅助阅读+总结
KennyWu529的博客
08-27 263
在信号处理和模式分析中，数据通常有一种结构，使我们能够智能地表示和处理它。在所有选择中，线性子空间是现实生活应用中这种表示的最常见选择，因为它的计算效率较低且表示更容易。为此，考虑从多个低秩子空间近似抽取数据比在主成分分析 (PCA) 方法中仅考虑单个子空间更合理。考虑从多个子空间提取的数据的方法更为通用，并导致子空间分割（也称为聚类）的问题。子空间分割的问题是将数据分割成不同的簇，其中每个簇与不同的子空间相关联。我们要解决的主要问题是处理数据中的噪声、损坏和异常值等错误。
lrr(motion_face).zip_LRR图像恢复_低秩恢复_图像低秩复原_图像低秩表示_图像复原
07-15
低秩表示法对子空间结构的鲁棒恢复。图像复原低秩表示算法。
通过非负低秩表示的鲁棒半监督子空间聚类
04-06
低秩表示（LRR）已成功应用于探索数据的子空间结构。 但是，在以前的基于LRR的半监督子空间聚类方法中，标签信息不用于指导亲和力矩阵的构造，因此亲和力矩阵无法传递强大的判别信息。 而且，由于亲和矩阵的构建和子空间聚类通常是独立的步骤，因此这些方法不能保证整体最优。 在本文中，我们提出了一种基于非负LRR（NNLRR）的鲁棒的半监督子空间聚类方法来解决这些问题。 通过将LRR框架与高斯场和谐波函数方法结合在单个优化问题中，明确地引入了监督信息以指导亲和力矩阵的构建，并且一步一步地完成了亲和力矩阵的构建和子空间聚类，以确保总体最优。 通过寻找将每个样本表示为其他样本的线性组合的非负低秩矩阵，可以获得亲和矩阵。 我们还明确地将稀疏约束强加给亲和矩阵，以使NNLRR获得的亲和矩阵是非负的低秩稀疏。 我们引入了一种带有自适应罚分的高效线性交替方向方法来解决相应的优化问题。 大量的实验结果表明，与其他最新方法相比，NNLRR在半监督子空间聚类中是有效的，并且对不同类型的噪声具有鲁棒性。
Robust Recovery of Subspace Structures by Low-Rank Representation
04-07
讨论子空间聚类问题，运用低秩表示，在样本中找寻低秩表示，把样本表示为给定字典中基的线性组合。低秩表示可以精确高效大的用作鲁棒子空间聚类和误差修正。同时总结RPCA和LRR的区别
入门：“Robust Recovery of Subspace Structures by Low-Rank Representation” 辅助阅读+问题+总结
KennyWu529的博客
08-25 846
在模式分析和信号处理中，一个基本原则是数据通常包含某种类型的结构，可以实现智能表示和处理。因此，人们通常需要一个参数模型来表征一组给定的数据。给定的数据集很少可以用单个子空间来很好地描述。更合理的模型是将数据视为位于多个子空间附近，即数据被视为从多个低秩子空间的混合中近似抽取的样本，如图1所示。子空间的通用性和重要性自然导致了子空间分割（或聚类）的挑战性问题，其目标是将数据分割（聚类或分组）成簇，每个簇对应于一个子空间。
Robust Recovery of Subspace Structures by Low-Rank Representation学习笔记2
m0_56681374的博客
05-31 277
二、基础知识：奇异值分解（SVD） 核心：将矩阵 M 分解为三个矩阵的乘积形式 当 M 是2×2的矩阵时，其中 U 和 V 是正交矩阵，对应旋转操作， 是对角矩阵（可能不是方阵），对应拉伸操作，那么对于 M 矩阵代表的线性变化操作，分解后也就是旋转拉伸再旋转。 继续以2维为例，我们假设 M 是一种线性变换，V 是2维空间上的一组标准正交基 ，经过 M 线性变换后成为了，其中同样是2维空间上的一组标准正交基，于是有输入关系 ...
优化案例(part8)--Robust Recovery of Subspace Structures by Low-Rank Representation
小山羊的学习日志
08-02 523
学习笔记，仅供参考，有错必纠 文章目录目标函数优化方案算法流程 目标函数 为了从被误差E0(X=X0+E0)E_0(X = X_0+E_0)E0​(X=X0​+E0​)破坏的给定观测矩阵X中恢复低秩矩阵X0X_0X0​，考虑以下正则化秩最小化问题是简单的: 其中，λ>0\lambda > 0λ>0是一个参数，∣∣⋅∣∣l||\cdot||_l∣∣⋅∣∣l​表示某种正则化策略，如Fig. 2(a) 展示了用于对噪声建模的Frobenius范数，[7]采用的L0L_0L0​范数用于表
稀疏子空间聚类代码包
01-23
CVPR2009的稀疏子空间聚类代码，亲测可用，以帮助需要的人
matlab子空间聚类
01-30
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
通过利用光谱空间的并集结构和鲁棒的字典估计实现基于LRR的高光谱图像恢复
03-14
高光谱图像（HSI）在采集过程中通常会因噪声而损坏，因此，对于以下应用，恢复嘈杂的HSI是必不可少的步骤。 低秩表示（LRR）为我们提供了一个非常强大的工具来检测高光谱数据的子空间奇异性，但是如何找到合适的子空间可以更好地确保低秩属性，以及如何构建更健壮的字典以适合LRR框架仍然是开放的问题。 本文在此基础上，提出了一种利用频谱空间的并集结构和鲁棒字典估计的基于LRR的HSI恢复方法。 在这种方法中，频谱空间由根据不同土地覆盖的几个低秩子空间的并集结构表示，并使用鲁棒主成分分析（RPCA）对字典进行估计，以确保LRR框架在破坏时更加鲁棒。噪音。 在模拟和真实数据上进行的实验表明，我们的方法在定性和定量方面都比现有方法有了很大的改进。
运动分割和人脸聚类的LRR
09-18
运动分割和人脸聚类的LRR motion segmentation and face clustering by LRR.
robust subspace segmentation by low rank representation
03-02
lrr的低秩方法，刘光灿写的。。。。。还蛮有用的
基于Matlab实现的子空间聚类算法源码+答辩PPT（下载即用）.zip
最新发布
03-01
基于Matlab实现的子空间聚类算法源码+答辩PPT（下载即用）.zip使用方法：用matlab打开 Code 文件夹，然后进入 SSC 目录，打开 ssc_demo_dm.mlx 文件并运行即可，LRR同理。 基于Matlab实现的子空间聚类算法源码+答辩...
拉普拉斯正则化双曲正切低秩子空间聚类算法
01-12
传统的低秩表示模型LRR对高维数据聚类精确度低,针对这一情况提出一种基于拉普拉斯正则化双曲正切函数低秩子空间聚类算法(LRHT-LRSC).该算法利用双曲正切函数代替核范数以便更紧凑地逼近秩函数,并利用拉普拉斯正则项...
LRR.rar_LRR低秩分解_LRR矩阵_低秩子空间_低秩矩阵_低秩表示lrr
07-14
LRR(低秩表示)假设一个数据矩阵严格的分布在一些独立的子空间。
Robust Recovery of Subspace Structures by Low-Rank Representation学习笔记1
m0_56681374的博客
05-31 409
一、基础知识：子空间 对于矩阵A，它有四个基础子空间，分别为：列空间（Column Space）、行空间（Row Space）、零空间（Null Space）、左零空间（Left Null Space）。 1.1 列空间（Column Space） 对矩阵 A 进行一个拆分，表示为这样 n 个列向量，每个列向量维度为 m 。 A 的列空间就是：这 n 个 m维列向量的线性张成空间(Span)，记为或。由于每个列向量都是 m 维............
LRR子空间聚类算法代码
03-26
我可以给您提供LRR子空间聚类算法的伪代码，以帮助您更好地理解算法的实现。 伪代码： 输入：数据矩阵X、子空间个数K 输出：聚类类别labels 1. 计算数据矩阵X的拉普拉斯矩阵L 2. 初始化LRR矩阵Z和加权矩阵S，...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值