【子空间聚类】Sparse Subspace Clustering(SSC) Algorithm

　　Symbol definition：

　　  is n linear subspace of .

　　 is the dimension of .

　　 is N noise-free data points.

　　  is a rank- matrix, represent  (>) points that lie in . 

　　   

　　 is a unknown permutation matrix.

　　SSC Algorithm:

　　Step 1: Solve the sparse optimization program

　　① Uncorrupted data

　　

　　② Corrupted data

　　

　　ps: E corresponds to a matrix of sparse outlying entries, and Z is a noise matrix.

　　Step 2: Normalize the columns of C as  .

　　ps: max norm :    .

　　Step 3: Form a similarity grahp with N nodes wegiths on the edges between the nodes by

　　 .   

　　ps: 

　　

　　Step: Use spectral clustering to the similarity graph.

　　Output:  .

　　Subspace-Sparse Recovery Theory

　　Definition:

　　① 

　　ps:   is said to be independent.

　　② 

　　③ Principle angle between  and  

　　

　　Independent Subspace Model：

 

 

----------------------------------------------------

　　其实，这篇paper主要是讲了SSC算法，在求稀疏解时的限定条件原本应该是0-范数最小，求最稀疏解，可是0-范数根本没法求，只具有实际意义，求解是个NP-hard问题，所以利用凸规划松弛方法，退而且其次，选择1-范数，使1-范数最小，得到稀疏解。Paper的后面证明了，利用1-范数最小解求解稀疏解，也可以得到理想的稀疏表示，可以使属于不同空间的点没有关联。也就是说Paper的精髓就在于证明1-范数最小值得到的稀疏解，和0-范数最小值得到的稀疏解的效果差不多。

转载于:https://www.cnblogs.com/ssdut-deng/p/3417767.html