基于局部强化最小二乘回归子空间分割的基因表达数据聚类

简彩仁，翁谦

（1．厦门大学嘉庚学院，福建漳州363105；2．福州大学数学与计算机科学学院，福建福州350116）

基于局部强化最小二乘回归子空间分割的基因表达数据聚类

简彩仁1，翁谦2

（1．厦门大学嘉庚学院，福建漳州363105；2．福州大学数学与计算机科学学院，福建福州350116）

利用局部约束协同表示法改进最小二乘回归子空间分割方法，提出局部强化最小二乘子空间分割方法（LSLSR）。该方法通过近邻样本的协同作用强化重构系数使得LSLSR有更好的抗噪能力，结果表明该方法有较高的聚类准确率。

局部强化；最小二乘回归子空间分割；基因表达数据；聚类

聚类是模式识别研究的重要方向之一，其目标是将未知类别的数据根据某种特性分成不同的簇，使得每个簇都有相似的特点。聚类方法多种多样，传统的聚类方法：(1)基于划分的聚类方法，比如k-means算法[1]；(2)基于层次的聚类算法，比如BIRCH算法[2]；(3)基于密度的聚类算法，比如DBSCAN算法[3]；(4)基于网格的方法，比如STING算法[4]。传统的算法不断改进和发展，出现了模糊聚类，谱聚类等。谱聚类[5]是一种基于图论的聚类算法，适合于各种形状的数据集的聚类，因而得到广泛应用。谱聚类的关键是构造图拉普拉斯矩阵。本文主要研究谱聚类。

子空间分割(subspace segmentation)是近年来模式识别研究的热点问题之一，已经广泛应用在图像分割、人脸识别和机器视觉等领域[6-8]，并且在基因表达数据识别中也有广泛应用[9]。子空间分割方法的目标是将数据集分割成不同的簇。子空间分割的主要思想是，假设每一个数据集都是从混合子空间采样的，其目标是将数据集分割成几个簇，每一个簇对应于一个子空间[8]。……