《表1 各算法在不同噪声条件的仿真数据集上的聚类准确度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于近邻图改进的块对角子空间聚类算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：*括号中的数字为聚类为100%出现的次数；Max表示最大值，Med表示中值，Mean表示均值。

BDRNG和LRR、SSC、IBDLR、BDR四种方法在仿真数据集上的实验结果如表1所示。从表1中可以看出：BDRNG具有较好的聚类性能。图2为在20%噪声下各方法的系数表示矩阵可视化图。可以看出BDRNG在20%噪声的仿真数据库上相较于其他方法有更好的块对角形式的表现。在20%噪声下，LRR的系数矩阵块对角形式被严重破坏，SSC的系数矩阵块对角形状隐约可见，BDR的系数矩阵块对角边界模糊而IBDLR的系数矩阵比上述3种算法较好，然而依旧存在着块对角形式外模糊的现象。由此可见，在20%噪声下，对比方法都存在被噪声不同程度干扰的现象，而BDRNG可以使得系数表示矩阵保持较好的块对角形式。BDRNG在BDR的基础上增加非线性学习正则算子。当处理噪声数据时，BDRNG比BDR系数矩阵获取的块对角结构更具有鲁棒性。这说明了引入的正则算子可以有效地利用非线性结构数据，有助于模型对于数据内在的结构学习和提升了模型对于数据集的表达能力。