最新的聚类方法有哪些？原理分别是什么？哪些可以尝试和极限学习机或者子空间聚类结合？

最新的聚类方法有很多种，以下列举几种常见的：

1. 基于密度的聚类方法（Density-Based Clustering）：如DBSCAN、OPTICS等。这类方法通过定义样本点周围的密度和距离来判断样本点是否属于同一个簇，不需要事先指定簇的数量。对于高维数据而言，这类方法的效果会受到维度灾难的影响，因此可以尝试与子空间聚类结合使用。

2. 基于图论的聚类方法（Graph-Based Clustering）：如谱聚类、基于最小生成树的聚类等。这类方法利用图论中的概念来寻找簇结构，通常需要先构建一个样本之间的图结构，然后再对图进行聚类。这类方法在处理高维数据时也会受到维度灾难的影响，因此可以尝试与子空间聚类结合使用。

3. 层次聚类方法（Hierarchical Clustering）：如AGNES、DIANA等。这类方法将样本逐层分组，最终形成一棵树状结构，可以根据需要剪枝来获得不同数量的簇。这类方法对于高维数据的处理效果较好，可以尝试与极限学习机结合使用。

4. 基于表示学习的聚类方法（Representation Learning-Based Clustering）：如深度聚类等。这类方法通过学习数据的低维表示来进行聚类，可以在保持数据原有信息的基础上，降低数据的维度，同时提高聚类效果。这类方法可以尝试与子空间聚类结合使用。

总之，聚类方法的选择需要根据具体的应用场景和数据特征来确定。不同的聚类方法各有优劣，可以尝试与极限学习机或者子空间聚类等方法结合使用，以取得更好的效果。