[发明专利]一种基于非负局部坐标分解的聚类方法

权利要求书

1.一种基于非负局部坐标分解的聚类方法，包括如下步骤：

(1)获取样本集合，进而构建样本集合的样本特征矩阵；

(2)根据所述的样本特征矩阵，通过非负局部坐标分解迭代算法求解出样本集合的低维稀疏矩阵；

(3)对所述的低维稀疏矩阵进行聚类。

2.根据权利要求1所述的基于非负局部坐标分解的聚类方法，其特征在于：所述的步骤(2)中，通过以下迭代方程组，求解出样本集合的低维稀疏矩阵；

u(j,p)t=u(j,p)t-1(X(Vt-1)T+μΣi=1nxilTΛit-1)(j,p)(Ut-1Vt-1(Vt-1)T+μΣi=1nUt-1Λit-1)(j,p)]]>

v(p,i)t=v(p,i)t-12(μ+1)((Ut)TX)(p,i)(2(Ut)TUtVt-1+μC+μDt)(p,i)]]>

Σi=1n(||xi-Utvit||2+μΣp=1k|v(p,i)t|||upt-xi||2)<ρ]]>

其中：X为样本特征矩阵，U为基矩阵，V为系数矩阵；U^t和V^t分别为t次迭代后的基矩阵和系数矩阵，U⁰和V⁰分别为随机非负初始化的基矩阵和系数矩阵，为U^t中第j行第p列的元素值，为V^t中第p行第i列的元素值；为V^t-1中的第i列向量，为U^t中的第p列向量，x_i为X中的第i列向量；μ为稀疏因子，l为元素值均为1的列向量，ρ为收敛阈值；C和D^t均为矩阵，其中，C中的行向量均为c^T，c＝diag(X^TX)，D^t中的列向量均为d^t，d^t＝diag((U^t)^TU^t)；当迭代收敛或达到最大迭代次数，则对应的V^t即为样本集合的低维稀疏矩阵。

3.根据权利要求1所述的基于非负局部坐标分解的聚类方法，其特征在于：所述的步骤(3)中，对低维稀疏矩阵进行聚类的过程为：分析低维稀疏矩阵每一列向量中的最大元素值，若第i列向量中的最大元素值为第p行，则第i列向量所对应的样本归属于第p类。