魯棒主成分分析（Robust Principal Component Analysis,RPCA）、奇異值部分和最小化（Partial Sum Minimization of Singular Values,PSSV）和張量魯棒主成分分析（Tensor Robust Principal Component Analysis,TRPCA）是三種經(jīng)典的圖像去噪、視頻恢復(fù)的有效算法,廣泛地應(yīng)用于機(jī)器學(xué)習(xí)、模式識別等領(lǐng)域。RPCA和PSSV可以從被稀疏噪聲損壞的二階數(shù)據(jù)矩陣中恢復(fù)出潛在的低秩結(jié)構(gòu),TRPCA可以從被稀疏噪聲損壞的高階數(shù)據(jù)矩陣（大于等于三階）中恢復(fù)出潛在的低秩結(jié)構(gòu)。當(dāng)數(shù)據(jù)不完整或某些數(shù)據(jù)完全損壞時(shí),RPCA、PSSV和TRPCA算法的性能就會(huì)降低,為了解決這個(gè)問題,本文通過對RPCA、PSSV和TRPCA進(jìn)行深入分析和研究,提出了相應(yīng)的改進(jìn)模型,并在一些視頻序列庫和人臉數(shù)據(jù)庫上證明了其有效性。本文的主要研究內(nèi)容如下:（1）針對RPCA算法和PSSV算法在數(shù)據(jù)嚴(yán)重破壞時(shí)性能會(huì)嚴(yán)重下降的問題,在低秩部分加入了方差正則化,充分地考慮了在單個(gè)特征維度上的局部結(jié)構(gòu)信息,分別提出了基于方差正... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 魯棒的主成分分析技術(shù)的研究現(xiàn)狀
        1.2.1 子空間描述主成分分析
        1.2.2 低秩描述主成分分析
    1.3 本文研究內(nèi)容及安排
第二章 魯棒的主成分分析和張量魯棒主成分分析
    2.1 概述
    2.2 魯棒的主成分分析
        2.2.1 魯棒主成分分析
        2.2.2 奇異值部分和最小化
    2.3 張量基本知識和張量魯棒主成分分析
        2.3.1 張量的相關(guān)知識
        2.3.2 張量魯棒主成分分析
    2.4 本章小結(jié)
第三章 基于方差正則化的魯棒的主成分分析
    3.1 概述
    3.2 基于方差正則化的魯棒主成分分析
        3.2.1 RPCAR的目標(biāo)函數(shù)
        3.2.2 RPCAR的模型推導(dǎo)與算法流程
    3.3 基于方差正則化的奇異值部分和最小化
        3.3.1 PSSVR的目標(biāo)函數(shù)
        3.3.2 PSSVR的模型推導(dǎo)與算法流程
    3.4 算法分析
    3.5 實(shí)驗(yàn)仿真及結(jié)果分析
        3.5.1 不完全數(shù)據(jù)的實(shí)驗(yàn)結(jié)果及分析
        3.5.2 圖像去噪的實(shí)驗(yàn)結(jié)果及分析
        3.5.3 聚類的實(shí)驗(yàn)結(jié)果及分析
        3.5.4 運(yùn)動(dòng)目標(biāo)檢測的實(shí)驗(yàn)仿真及結(jié)果
        3.5.5 算法的收斂性
    3.6 本章小結(jié)
第四章 基于方差正則化的張量魯棒主成分分析
    4.1 概述
    4.2 TRPCAR的目標(biāo)函數(shù)
    4.3 TRPCAR的模型推導(dǎo)及算法流程
    4.4 實(shí)驗(yàn)仿真及結(jié)果分析
        4.4.1 不完全數(shù)據(jù)的實(shí)驗(yàn)結(jié)果及分析
        4.4.2 圖像去噪的實(shí)驗(yàn)結(jié)果及分析
        4.4.3 聚類的實(shí)驗(yàn)結(jié)果及分析
        4.4.4 運(yùn)動(dòng)目標(biāo)檢測的實(shí)驗(yàn)結(jié)果及分析
        4.4.5 算法的收斂性
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
作者簡介



本文編號：3204973