-
题名F范数度量下的鲁棒张量低维表征
被引量：2
- 1
-
-
作者
王肖锋
石乐岩
杨璐
刘军
周海波
-
机构
天津理工大学天津市先进机电系统设计与智能控制重点实验室
天津理工大学机电工程国家级实验教学示范中心
-
出处
《自动化学报》
EI
CAS
CSCD
北大核心
2023年第8期1799-1812,共14页
-
基金
国家重点研发计划(2018AAA0103004)
天津市科技计划重大专项(20YFZCGX00550)
国家自然科学基金(52005370)资助。
-
文摘
张量主成分分析(Tensor principal component analysis, TPCA)在彩色图像低维表征领域得到广泛深入研究,采用F范数平方作为低维投影的距离度量方式,表征含离群数据和噪声图像的鲁棒性较弱.L1范数能够抑制噪声的影响,但所获的低维投影数据缺乏重构误差约束,其局部表征能力也较弱.针对上述问题,利用F范数作为目标函数的距离度量方式,提出一种基于F范数的分块张量主成分分析算法(Block TPCA withF-norm,BlockTPCA-F),提高张量低维表征的鲁棒性.考虑到同时约束投影距离与重构误差,提出一种基于比例F范数的分块张量主成分分析算法(Block TPCA with proportional F-norm, BlockTPCA-PF),其最大化投影距离与最小化重构误差均得到了优化.然后,给出其贪婪的求解算法,并对其收敛性进行理论证明.最后,对包含不同噪声块和具有实际遮挡的彩色人脸数据集进行实验,结果表明,所提算法在平均重构误差、图像重构与分类率等方面均得到明显提升,在张量低维表征中具有较强的鲁棒性.
-
关键词
张量主成分分析
低维表征
特征提取
鲁棒性
重构误差
-
Keywords
Tensor principal component analysis(TPCA)
low-dimensional representation
feature extraction
robustness
reconstruction error
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于信号子空间低维表征的快速字典学习算法
被引量：2
- 2
-
-
作者
王莲子
李钟晓
陈倩倩
庄晓东
-
机构
青岛大学电子信息学院
-
出处
《传感器与微系统》
CSCD
北大核心
2022年第8期144-147,152,共5页
-
基金
国家自然科学基金资助项目(41804110)。
-
文摘
为提高字典学习效率,针对学习中需大量样本训练且高冗余度问题,提出一种基于信号子空间低维表征的快速字典学习算法。新算法挖掘高维信号内部本征结构进行子空间分析,使训练样本低维表征原信号,通过特征变换获原始字典以实现稀疏表示。对语音及图像信号进行处理,从运行时间、稀疏性及均方根误差(RMSE)方面分析学习效果,研究结果表明:与K奇异值分解(K-SVD)相比,新算法以提升近1/2的训练效率表现了优秀的学习与降噪能力,具有较强的应用前景。
-
关键词
子空间低维表征
快速字典学习
稀疏表示
K奇异值分解(K-SVD)
特征变换
-
Keywords
low-dimensional representation of subspace
fast dictionary learning
sparse representation
K-singular value decomposition(SVD)
feature transformation
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
TN911.7
[电子电信—通信与信息系统]
-
