基于低秩表示的噪声数据回归分析算法研究

发布时间：2022-01-27 14:34

　　高维特征的数据分析是当前数据挖掘和计算机视觉研究的热点,然而高维数据的维度灾难导致数据分析过程较为困难,且分析的结果往往不可靠。子空间学习方法通过将高维的人脸图像投影到其低维的子空间,最大程度保留高维数据之间的有效信息。将数据的低维子空间信息存储在表示矩阵中,用于进一步的数据分析和挖掘,可以获得较好的分类性能和计算复杂度。然而,传统子空间的学习方法无法避免数据噪声和异常值的影响,如何设计一个高性能的鲁棒模型并进行后续的数据分析,如人脸图像分类,是本文研究的重点。基于低秩表示的子空间算法模型被广泛地用于从含有噪声和异常值的高维数据中恢复出本质的干净数据。本文通过对低秩理论的研究,提出了基于低秩表示的鲁棒回归模型,包括LR-RRM和其拓展模型LR-RRM_Sp。本文的主要工作和创新点概括如下:首先,提出了LR-RRM模型,用于学习高维数据中低秩子空间结构,提高回归的鲁棒性。主要创新点在于同时进行低秩子空间恢复和回归模型的学习,在该模型中通过低秩约束可以准确地学习全局多子空间结构,同时以有监督的方式进行干净数据与噪声数据的分离,使得重构的干净数据可以保留与标签信息有最大相... 

【文章来源】：广东工业大学广东省

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

图2-1两个人的人脸图像通过多个低维子空间近似表示Figure2-1Faceimagesfromtwoindividualscanbeapproximatedbymultiplelowdimensional

LR-RRM损失函数的收敛曲线

AR数据集人脸图像

【参考文献】：
期刊论文
[1]基于鉴别性低秩表示及字典学习的鲁棒人脸识别算法[J]. 赵雯,吴小俊.  计算机应用研究. 2017(10)
[2]Fisher线性鉴别分析的理论研究及其应用[J]. 杨健,杨静宇,叶晖.  自动化学报. 2003(04)

硕士论文
[1]基于低秩和光滑先验的图像修补算法研究[D]. 邱一芳.西南大学 2018
[2]面向子空间学习的特征表示与图构建方法研究[D]. 李苗.西安电子科技大学 2018
[3]自编码正则化时间配准算法研究[D]. 聂利权.国防科学技术大学 2017
[4]改进的低秩张量补全算法及应用[D]. 刘慧梅.西安建筑科技大学 2016



本文编号：3612653