一种改进的鲁棒稀疏凸聚类

凸聚类将聚类问题转化为凸优化问题，引起了人们的广泛关注。它克服了传统聚类方法如K-means、基于密度的带噪声应用空间聚类（DBSCAN）和层次聚类等容易陷入局部最优解的缺点。然而，凸聚类很容易出现异常特征，因为它使用Frobenius范数来测量数据点与其相应聚类中心之间的距离并评估聚类。为了准确识别异常值特征，本文将数据分解为聚类结构组件和捕获异常值特征的归一化组件。与现有的用精确测量来评估特征的凸聚类不同，该模型可以克服不同特征大小的巨大差异，并且可以有效地识别和去除异常特征。为了求解所提出的模型，我们设计了一个有效的算法，并证明了该算法的全局收敛性。在合成数据集和UCI数据集上的实验表明，该方法在凸聚类方面优于比较方法。