《表3 在基准数据集上获得的聚类结果NMI》

  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

《基于核相关性保持的子空间聚类算法》

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:最佳结果用“*”标出。

将本文提出的算法与谱聚类（Spectral Clustering，SC）[3]、鲁棒核K-means （Robust Kernel K-means，RKKM）[2]、单纯形稀疏表示（Simplex Sparse Representation，SSR）[6]、低秩表示（Low-Rank Representation，LRR）[5]、稀疏子空间聚类（Sparse Subspace Clustering，SSC）[1]、相似性和聚类的孪生学习（Twin Learning for Similarity and Clustering，TLSC）[13]在7个基准数据集上进行比较，结果如表2和表3所示。SCKCP在ACC和NMI两个聚类评价指标上，除数据集TR11的ACC略微降低，其余聚类性能均优于对比算法。在Jaffe数据集上ACC和NMI达到100%。我们发现SCKCP的性能不仅高于目前流行的单核聚类算法，而且高于如文献[14]中流行的多核聚类算法。以上对比算法大都以学习一个相似矩阵为主，相似矩阵质量将是聚类精度的关键。