面向大规模高维图像数据集的可压缩式子空间聚类方法

本发明属于机器学习与数据挖掘技术领域，具体涉及一种面向大规模高维图像数据集的可压缩式子空间聚类方法，首先，本发明设计了一种基于分块机制的字典表示学习模型来选择部分样本构建小尺度字典以替代整个原始数据。进而利用联合聚类的思想，巧妙地引入了二部图的构造方法，其不仅解决了系数矩阵非方阵无法直接构造二部图的难题，并能够充分考虑字典样本与新输入数据样本间的关联性。在结合图的拉普拉斯矩阵秩约束下，所提方法能够直接学习得到一个最优的结构化二部图，其可以直接得到最终的聚类结果，且无需任何后处理过程。此外，本发明结合增广拉格朗日乘子法进一步设计了一种基于交替迭代的高效优化算法来求解所提模型。