基于距離度量的魯棒主成分分析低維表征算法研究(下)

摘要： 主成分分析(principal component analysis, PCA)作為經(jīng)典的數(shù)據(jù)分析和降維方法，在圖像壓縮、特征提取等領(lǐng)域得到廣泛應(yīng)用。然而，PCA對(duì)噪聲極為敏感，以致降低了其魯棒性。與魯棒PCA低秩分解算法不同(后者旨在從圖像中移除噪聲),魯棒PCA低維表征算法力求在不去噪的情形下提升魯棒性。本文以目標(biāo)函數(shù)和距離度量方式作為切入點(diǎn)，對(duì)當(dāng)前主要的魯棒PCA低維表征... （共11頁(yè)）