10.3969/j.issn.1001-4616.2022.04.014
基于L1-范数和弹性网约束的鲁棒稀疏块PCA
块主成份分析(block principal component analysis,BPCA)是一种重要的子空间学习方法,能充分利用图像矩阵的部分关联.基于L1-范数的BPCA是近年来发展起来的鲁棒降维的有效方法.本研究提出了一种新的鲁棒稀疏BPCA方法,称之为BPCAL1-S.该方法相对于传统的基于L2-范数的PCA对噪声更加鲁棒.为了建立稀疏模型,优化过程中引入弹性网,联合使用Lasso与Ridge惩罚因子进行约束.提出了一种贪心算法逐个提取特征向量,对迭代过程的收敛性做了理论证明.将BPCAL1-S应用于图像分类与图像重构,实验结果验证了该方法的有效性.
块主成份分析、L1-范数、弹性网、稀疏建模、子空间学习
45
TP391(计算技术、计算机技术)
国家自然科学基金;安徽省自然科学基金;安徽高校自然科学研究项目;安徽工程大学中青年拔尖人才培养计划;计算机软件新技术国家重点实验室南京大学开放基金项目;安徽省高等教育提升计划项目;安徽省高等学校省级质量工程项目
2023-01-04(万方平台首次上网日期,不代表论文的发表时间)
共8页
102-109