基于低秩表示的鲁棒回归模型

摘要：

现有的线性回归方法不能有效处理噪声和异常数据.针对这一问题,结合低轶表示和鲁棒回归方法构建模型 LR-RRM.利用低轶表示方法以有监督的方式检测数据内的噪声和异常值,从原始数据的低维子空间中恢复数据干净部分,并将其应用于线性回归分类,从而提升回归性能.在 Extend YaleB、AR、ORL 和 PIE 人脸数据集上的实验结果表明,与标准线性回归、基于鲁棒主成分分析和低轶表示的线性回归模型相比,该模型在4 种原始数据集以及添加随机噪声后的数据集上分类准确率和鲁棒性均较优.

关键词：线性回归、低轶表示、噪声数据、人脸识别、高维数据

所属期刊栏目：46

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;广东省自然科学基金;NSFC-广东联合基金;广东省科技计划项目;广东省教育厅科研项目;广东省特支计划项目

在线出版日期：2020-03-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：74-79,86