自步稀疏最优均值主成分分析

• 作者: 许子微 陈秀宏
• 来源期刊: 智能系统学报
• 关键词: 图像处理 主成分分析 无监督学习 数据降维 稀疏 最优均值 自步学习 人脸识别
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 机器学习|Intelligent Systems
• 页码范围: 416-424
• 页数: 9页
• 分类号: TP391.4
• 语种: 中文
• DOI: 10.11992/tis.201911028

摘要

主成分分析(PCA)是一种无监督降维方法.然而现有的方法没有考虑样本的差异性,且不能联合地提取样本的重要信息,从而影响了方法的性能.针对以上问题,提出自步稀疏最优均值主成分分析方法.模型以L2,1范数定义损失函数,同时用L2.1范数约束投影矩阵作为正则化项,且将均值作为在迭代中优化的变量,这样可一致地选择重要特征,提高方法对异常值的鲁棒性;考虑到训练样本的差异性,利用自步学习机制实现训练样本由"简单"到"复杂"的学习过程,有效地降低异常值的影响.理论分析和实验结果表明,以上方法能更有效地降低异常值对分类精度的影响,提高分类精度.