本书主要介绍非线性数据挖掘技术，以子空间聚类为主要的数据分析方法，结合稀疏表示、低秩表示、多核学习、协同学习等技术，针对现有模型中存在的一些问题，在适应非线性数据并抑制大尺度噪声的能力、算法的有效实现、模型推广以及应用等方面进行了探讨和研究。主要内容有四个方面：①研究并解决了传统的核子空间聚类方法不能有效挖掘特征空间中数据低秩结构的问题；②有效解决了现有的多视图聚类方法得到的往往是次优解的问题；③解决了多视图数据中各视图数据的独有特征信息不易挖掘的问题；④研究多视图数据中样本置信度的差异性问题。
本书内容系统性强、知识覆盖面广、观点独到，适合广大数据挖掘专业的技术人员、学者及在校学生阅读。

第1章 绪论
1.1 研究背景与研究意义
1.2 子空间聚类概述
1.3 稀疏子空间聚类概述
1.3.1 单视图稀疏子空间聚类研究现状
1.3.2 多视图稀疏子空间聚类研究现状
1.4 稀疏子空间聚类相关理论
1.4.1 稀疏表示
1.4.2 低秩表示
1.4.3 子空间聚类优化算法
1.5 本书的主要内容
1.6 本书结构
第2章 基于非凸低秩核的稳健子空间聚类
2.1 引言
2.2 相关工作
2.2.1 Schatten ρ-范数
2.2.2 相关熵
2.3 稳健低秩核子空间聚类模型与求解策略
2.3.1 稳健低秩核子空间聚类模型
2.3.2 模型的优化与求解
2.3.3 RLKSC的完整算法
2.4 收敛性及计算复杂度分析
2.4.1 收敛性分析
2.4.2 计算复杂度分析
2.5 实验结果与分析
2.5.1 实验设置
2.5.2 在YaleB数据集上的人脸聚类
2.5.3 在AR数据集上的人脸聚类
2.5.4 在COIL-20数据集上的物体聚类
2.5.5 在Hopkins155数据集上的运动分割
2.5.6 参数选择与收敛性验证
2.6 小结
第3章 融合协同表示与低秩核的稳健多视图子空间聚类
3.1 引言
3.2 主要符号与相关工作
3.2.1 主要符号
3.2.2 非凸低秩核策略
3.3 RLKMSC模型与求解策略
3.3.1 Centroid-based RLKMSC的模型提出与优化
3.3.2 Pairwise RLKMSC的模型与优化
3.3.3 RLKSC的完整算法
3.4 收敛性与计算复杂度分析
3.4.1 收敛性分析
3.4.2 计算复杂度
3.5 实验与结果分析
3.5.1 数据集简介
3.5.2 对比算法与实验设置
3.5.3 实验结果与分析
3.5.4 参数选择与收敛性验证
3.6 小结
第4章 基于加权Schatten ρ-范数最小化的异核多视图稳健子空间聚类
4.1 引言
4.2 关键缩写词与相关工作
4.2.1 关键缩写词
4.2.2 加权Schatten ρ-范数
4.2.3 多核策略
4.3 MKLR-RMSC模型与求解策略
4.3.1 模型MKLR-RMSC的提出
4.3.2 模型MKLR-RMSC的优化与求解
4.3.3 模型MKLR-RMSC的完整算法
4.4 计算复杂度分析
4.5 实验结果与分析
4.5.1 数据集简介
4.5.2 实验设置
4.5.3 聚类结果与讨论
4.5.4 参数敏感性
4.5.5 收敛性验证
4.5.6 计算性能分析
4.6 小结
第5章 置信度自动加权稳健多视图子空间聚类
5.1 引言
5.2 相关工作
5.2.1 块对角正则化
5.2.2 截断核范数
5.2.3 混合相关熵
5.3 CLWRMSC模型与求解策略
5.3.1 模型CLWRMSC的提出
5.3.2 模型CLWRMSC的优化与求解
5.3.3 模型MKLR-RMSC的完整算法
5.4 收敛性与计算复杂度分析
5.4.1 收敛性分析
5.4.2 计算复杂度分析
5.5 实验与结果分析
5.5.1 数据集简介
5.5.2 对比算法与实验设置
5.5.3 单视图数据集上的消融实验
5.5.4 多视图数据集上的性能评价
5.5.5 参数敏感性与模型收敛性验证
5.5.6 计算性能分析
5.5.7 结果分析与讨论
5.6 小结
第6章 结束语
6.1 工作总结
6.2 未来工作的展望
参考文献

本文主要研究单视图数据和多视图数据的子空间聚类模型和算法。首先针对单视图数据，研究数据的非线性、非凸低秩表示，以及非高斯噪声的抑制，并提出了相应的子空间聚类算法。然后针对多视图数据子空间聚类的问题，采用低秩核约束的思路，通过协同学习方法来获得各视图的连通表示，进而把单视图子空间聚类推广到多视图数据聚类中。