卷积鲁棒主成分分析

摘要：

鲁棒主成分分析(RPCA)是一种经典的高维数据分析方法,可从带噪声的观测样本中恢复出原始数据.但是,RPCA能工作的前提是目标数据拥有低秩矩阵结构,不能有效处理实际应用中广泛存在的非低秩数据.研究发现,虽然图像、视频等数据矩阵本身可能不是低秩的,但它们的卷积矩阵通常是低秩的.根据这一原理,提出一种称为卷积鲁棒主成分分析(CRPCA)的新方法,利用卷积矩阵的低秩性对原始数据的结构进行约束,从而实现精确的数据恢复.CPRCA模型的计算过程是一个凸优化问题,通过乘子交替方向法(ADMM)来进行求解.通过对合成数据向量以及真实数据图片、视频序列进行实验,验证了该方法相较于其他算法如RPCA、广义鲁棒主成分分析(GRPCA)以及核鲁棒主成分分析(KRPCA)在处理数据非低秩问题上优越性.

关键词：鲁棒主成分分析、高维数据、低秩矩阵、卷积鲁棒主成分分析、乘子交替方向法

所属期刊栏目：41

分类号：TP18(自动化基础理论)

在线出版日期：2021-06-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1314-1318