改进谱聚类集成算法：提升高光谱图像分割与大规模数据处理

计算机研究 -改进的谱聚类集成算法研究与应用.pdf 该论文主要探讨了谱聚类算法在当前研究中的局限性和潜力，以及如何通过融合其他技术来提升聚类性能和效率。首先，作者提出了一种基于压缩感知谱聚类的集成算法，针对高光谱图像分割问题。这一创新利用了压缩感知的特性来减少随机特征，配合k均值算法的随机初始化和Nyström近似，以增强算法的多样性。同时，通过支持向量机（SVM）在像素级别上进行分类，进一步细化图像处理。最后，通过空谱分类策略，将分割结果与分类结果结合起来，实现了高光谱图像的精确分类。 其次，作者设计了一种基于约束谱聚类的集成算法，旨在整合先验知识并提高算法稳定性。与传统的基于互联合矩阵的聚类集成不同，该算法将互联合矩阵视为新的约束信息，从而在保持稳定性的前提下进行聚类。集成系统中的个体谱聚类尺度参数采用随机选择的方式，既解决了尺度参数选择难题，又增加了系统的多样性。 针对谱聚类算法在处理大规模数据时的计算复杂度问题，论文提出了一种深度学习方法。利用自编码器（Autoencoder）对原始数据进行降维，减少样本量后，在处理后的低维空间中进行谱聚类。为了将这些降维后的聚类结果映射回原始样本，论文提出了两种不同的扩展策略，以保证在大规模数据集上的应用效果。 这篇论文的主要贡献在于提出了一系列改进的谱聚类集成算法，通过结合压缩感知、半监督学习、深度学习以及约束条件，有效地解决了传统谱聚类算法的不足，尤其在处理高光谱图像分类和大规模数据聚类方面取得了显著的进步。这些改进不仅提升了聚类精度，还为实际应用中的数据挖掘和分析提供了新的可能。