文章摘要
引用本文:简彩仁,翁 谦,陈晓云.基于核最小二乘回归子空间分割的高维小样本数据聚类[J].福州大学学报(自然科学版),2018,46(1):38~44
基于核最小二乘回归子空间分割的高维小样本数据聚类
High dimension small sample data clustering using kernel least square regression subspace segmentation
  
DOI:10.7631/issn.1000-2243.2018.01.38
中文关键词: 最小二乘回归  子空间分割  核理论  聚类  高维小样本
英文关键词: least square regression  subspace segmentation  kernel theory  clustering  high dimension small sample
基金项目:
作者单位
简彩仁 厦门大学嘉庚学院福建 漳州 363105 
翁 谦 福州大学数学与计算机科学学院福建 福州 350116 
陈晓云 福州大学数学与计算机科学学院福建 福州 350116 
摘要点击次数: 109
全文下载次数: 77
中文摘要:
      针对基于线性表示理论的子空间分割方法没有考虑高维小样本数据的非线性性质,借鉴核理论,提出核最小二乘回归子空间分割方法,使子空间分割方法适合高维小样本数据的非线性性质. 经6个基因表达数据集和4个图像数据集上的实验,表明该方法是有效的.
英文摘要:
      The classical subspace segmentation methods based on linear representation theory do not consider the nonlinear properties of high dimension small sample data. In sight of the kernel theory,the kernel least square regression subspace segmentation method is proposed to make the subspace segmentation method suitable for the nonlinear properties of high dimension small sample data. Experiments on six gene expression datasets and four image datasets show that the method is effective.
查看全文   查看/发表评论  下载PDF阅读器
关闭