文献综述（或调研报告）：
本课题主要涉及运动目标检测与图像恢复，本节将针对本课题中的研究内容的研究现状进行陈述。
（一）聚类算法研究现状
高维数据在机器学习，信号和图像处理，计算机视觉，模式识别，生物信息学等许多领域无处不在。例如，图像由数十亿像素组成，视频可以包含数百万帧，文本和Web文档是数据的高维性不仅增加了算法的计算时间和存储器要求，而且
由于噪声影响和相对于环境的样本数量不足而对其性能产生不利影响。然而，高维数据通常位于低维结构中，而不是均匀地分布在环境空间中。恢复数据中的低维结构不仅有助于降低算法的计算成本和内存需求，还有助于降低数据中高维噪声的影响，提高推理，学习和识别任务的性能。
通常，高维的数据紧密的位于低维数据上，对应的可以划分为几个类，从而确定数据的归属。现有的算法可以被分为四类：迭代、代数、统计和谱聚类[1]。
1：迭代聚类
迭代方法，例如K-subspace[2],[3]和均值K-flats[4]，交替分配点到子空间和归类子空间。这种方法的主要缺点是它们通常需要知道子空间的数目和维度，而且它们对初始化的好坏比较敏感。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
