通过结合监督正交判别投影(SODP)和K-均值聚类集成,提出了一种新的无监督降维聚类方法,即SODP-KSCE。 以迭代方式操作的新颖算法可自适应地优化聚类结果,并学习具有最佳间隔的子空间。 为了提高K均值的稳定性,SODP-KSCE采用了集成学习。 此外,引入了负熵增量(NI)指数来衡量聚类性能。 在低维子空间中执行K均值聚类集成算法,生成未标记数据的伪类标签,然后将其用于指导原始空间中SODP的降维过程。 在多个数据集上的实验结果表明了SODPKSCE的有效性。