典型文献
基于L1-范数和弹性网约束的鲁棒稀疏块PCA
文献摘要：
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.
文献关键词：
块主成份分析;L1-范数;弹性网;稀疏建模;子空间学习
中图分类号：
作者姓名：
唐肝翌;卢桂馥;王勇;范莉莉;杜扬帆
作者机构：
安徽工程大学计算机与信息学院,安徽 芜湖241000;计算机软件国家重点实验室(南京大学),江苏 南京210023
文献出处：
引用格式：
[1]唐肝翌;卢桂馥;王勇;范莉莉;杜扬帆-.基于L1-范数和弹性网约束的鲁棒稀疏块PCA)[J].南京师大学报（自然科学版）,2022(04):102-109
A类：
弹性网约束,块主成份分析,BPCA,BPCAL1,稀疏建模
B类：
范数,稀疏块,block,principal,component,analysis,子空间学习,图像矩,称之为,L2,稀疏模型,联合使用,Lasso,Ridge,惩罚因子,行约,贪心算法,逐个,提取特征,特征向量,收敛性,图像分类,图像重构
AB值：
0.278504
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
