基于RPCA的預(yù)測子空間聚類算法

　　預(yù)測子空間聚類PSC算法由于建立在PCA模型下，無法魯棒地進(jìn)行主元分析，導(dǎo)致在面對帶有強(qiáng)噪聲的數(shù)據(jù)時(shí)，聚類性能受到嚴(yán)重影響。為了提高PSC算法對噪聲的魯棒性，利用近年來受到廣泛關(guān)注的RPCA分解技術(shù)得到數(shù)據(jù)的低秩結(jié)構(gòu)，魯棒地提取子空間，具體地，通過將RPCA模型融入PSC算法，提出了一種基于RPCA的預(yù)測子空間聚類算法。該算法在RPCA模型下檢測強(qiáng)影響點(diǎn)，不但可以有效地進(jìn)行變量選擇和模型選擇，而且更重要的是改善了PSC算法在噪聲環(huán)境下的聚類性能。在真實(shí)基因表達(dá)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法較之經(jīng)典的PSC算法無論在無噪聲或加噪聲環(huán)境下都表現(xiàn)出一定聚類優(yōu)勢及良好的魯棒性。
?