基于坐標(biāo)下降的并行稀疏子空間聚類方法研究.pdf

1、稀疏子空間聚類通過找到子空間數(shù)據(jù)之間的相似度來進(jìn)行聚類，廣泛運(yùn)用于各種計算機(jī)視覺領(lǐng)域。由于數(shù)據(jù)集的增長，稀疏子空間聚類面臨著多種問題。現(xiàn)有方法難以利用多核和計算機(jī)集群提高處理大規(guī)模聚類問題的效率。因此本文提出基于坐標(biāo)下降的并行稀疏子空間聚類方法研究，工作總結(jié)如下:
　　首先，利用坐標(biāo)下降法實現(xiàn)并行稀疏子空間聚類中提出了運(yùn)用坐標(biāo)下降法的并發(fā)特性和坐標(biāo)下降法求解Lasso問題的快速與準(zhǔn)確的特性，同時利用稀疏子空間聚類可以建模為求解一系

2、列的樣本稀疏自表達(dá)子問題的特點(diǎn)，使用坐標(biāo)下降法來求解每個子問題，配合openMP并行框架實現(xiàn)單機(jī)多核的并行稀疏子空間聚類，實驗結(jié)果表明，在聚類準(zhǔn)確率不降低的情況下，大大提升了稀疏子空間聚類的速度。
　　然后，基于無窮范數(shù)判定的Lasso動態(tài)篩選方法主要是運(yùn)用矩陣無窮范數(shù)的性質(zhì)來有效的去除坐標(biāo)下降迭代更新過程中的一些冗余步驟，稀疏解在目標(biāo)函數(shù)收斂時必有大量的值為零，本章節(jié)的方法將這些零值提前找出來，跳過優(yōu)化程序的計算，在求解的稀疏度

3、越大的情況下相比完全更新的時候速度提升越明顯，實驗數(shù)據(jù)表明算法在模擬數(shù)據(jù)和真實數(shù)據(jù)上都取得良好的效果。
　　最后，基于Spark的分布式稀疏子空間聚類應(yīng)用中設(shè)計了基于Spark平臺的分布式稀疏子空間聚類的系統(tǒng)應(yīng)用，該系統(tǒng)運(yùn)行在linux服務(wù)器集群上，利用Spark框架將稀疏子空間聚類算法實現(xiàn)計算分布式化，實驗結(jié)果表明，隨著計算節(jié)點(diǎn)的增加，需要的時間越短，較以往的單機(jī)串行計算和matlab平臺，能更快地處理數(shù)據(jù)，而且解決了單機(jī)下大規(guī)