对数变换主成分分析的图像识别

您当前的位置：

首页 >

文章列表页 >

对数变换主成分分析的图像识别

更新时间：2025-07-09

- 对数变换主成分分析的图像识别
- Issue 1, Pages: 33-42(2021)
- 作者机构：
  
  1. 深圳大学电子与信息工程学院
  2. 深圳大学深圳市媒体信息内容安全重点实验室
  3. 深圳大学广东省智能信号处理重点实验室
- 作者简介：
- 基金信息：
- DOI：
  CLC： TP391.41
- Published：2021
- 稿件说明：
移动端阅览
[J]. 2021, (1): 33-42.
DOI：

[J]. 2021, (1): 33-42. DOI：

摘要

为了进一步提升现有鲁棒主成分分析(PCA)算法处理含有异常样本数据的性能

提出了对数变换的PCA算法。为降低异常样本对目标函数值的影响

根据对数函数的性质建立了对数变换PCA算法的目标函数

证明了所提目标函数值小于标准PCA算法的。之后

给出了求解所提目标函数的一种优化算法

即为所提算法。通过迭代计算对角矩阵和进行特征值分解进行优化

证明了所提算法可以近似收敛于所提目标函数的最优解。分析证明了所提算法具有旋转不变性。为了更好地比较各算法处理异常样本数据的能力

使用AR数据库中的原样本作为异常样本

在其他数据库中人为添加了异常样本。与标准PCA算法、鲁棒PCA算法、包括贪婪求解的基于l1范数的PCA算法、非贪婪求解的基于l1范数的PCA算法、基于l2

p范数的PCA算法和基于最大相关熵的PCA算法在AR、Extended Yale B、CMU PIE这3个人脸数据库和MNIST这1个手写字符数据库进行了实验对比

结果表明:所提算法均得到了最低的重构误差和最高的识别精度;所提算法具有良好的收敛性能

一般迭代5到6次即可收敛。

Abstract

关键词

Keywords

references

{"db_type":"WWJDREF","db_name":"国际期刊","reference_articles":[{"patent_date":"2005-08-01","unit":"Technometrics","flag":"[J]","issue":"3","year":2005,"author":"Ricardo Maronna","index":1,"title":"Principal Components and Orthogonal Regression Based on Robust Scales"},{"patent_date":"1999-06-15","unit":"Test","flag":"[J]","issue":"1","year":1999,"index":2,"title":"Robust principal component analysis for functional data"}],"articles_count":2}

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

随机矩阵理论和主成分分析融合的滚动轴承性能退化评估方法

用于孤立数字语音识别的一种组合降维方法

Integrated and Joint Design Optimization of Centrifugal Compressor Impeller and Casing Treatment at Multiple Working Points

Sensitivity Analysis of Foil Geometrical Parameters for the Third-Generation CO2 Gas Foil Bearings Based on Design of Experiments Method

Effects of Steam Addition on the Swirl Combustion and Emission Characteristics of Cracked Ammonia

Related Author

朱文昌

罗梦婷

倪广县

王恒

宋青松

田正鑫

孙文磊

吴小杰

Related Institution

南通大学机械工程学院

长安大学信息工程学院

⁰