福州大学学报（自然科学版）2018，Vol.46Issue(1)：38-44,51,8.DOI:10.7631/issn.1000-2243.16439
基于核最小二乘回归子空间分割的高维小样本数据聚类
High dimension small sample data clustering using kernel least square regression subspace segmentation
摘要
Abstract
The classical subspace segmentation methods based on linear representation theory do not consider the nonlinear properties of high dimension small sample data.In sight of the kernel theory,the kernel least square regression subspace segmentation method is proposed to make the subspace segmentation method suitable for the nonlinear properties of high dimension small sample data.Experiments on six gene expression datasets and four image datasets show that the method is effective.关键词
最小二乘回归/子空间分割/核理论/聚类/高维小样本Key words
least square regression/subspace segmentation/kernel theory/clustering/high dimension small sample分类
信息技术与安全科学引用本文复制引用
简彩仁,翁谦,陈晓云..基于核最小二乘回归子空间分割的高维小样本数据聚类[J].福州大学学报（自然科学版）,2018,46(1):38-44,51,8.基金项目
福建省教育厅中青年教师教育科研资助项目(JAT160087) （JAT160087）
福建省本科高等教育教学改革研究项目(FBJG20170021) （FBJG20170021）
福州大学研究生重点课程建设资助项目(52004634) （52004634）
福州大学第十批高等教育工程资助项目(50010842) （50010842）
