基于相关熵和流形正则化的图像聚类

近年来，聚类作为机器学习、数据挖掘等领域的基本问题受到广泛的关注及研究，然而数据中普遍存在的噪声和异常值严重影响聚类结果.提出一个基于相关熵和流形正则化的聚类框架CRNMF(Correntropy and Manifold Regularization Non-Negative Matrix Factorization).首先，采用基于相关熵的非负矩阵分解（Non-Negative Matrix Factorization,NMF）作为损失函数来抑制非高斯噪声和异常值的影响；其次，充分考虑数据的结构信息，采用流形正则化学习数据的局部结构，并通过l2,1-范数对非负矩阵进行稀疏约束；最后，利用半二次优化技术（Half-Quadratic Optimization Technique,HQ）进行优化，并分析了收敛性和计算复杂度.在五个图像数据集上进行测试，实验结果表明，提出的框架在图像聚类任务中具有较好的有效性和鲁棒性.