矩阵低秩分解理论精要.pptVIP

矩阵低秩分解理论及其应用分析 成科扬 2013年9月4日 从稀疏表示到低秩分解 稀疏表示 压缩感知(Compressed sensing) 从稀疏表示到低秩分解 矩阵低秩分解 矩阵低秩稀疏分解(Sparse and low-rank matrix decomposition) 低秩矩阵恢复（Low-rank Matrix Recovery） 鲁棒主成分分析(Robust principle component analysis, RPCA) 低秩稀疏非相干分解(Rank-sparsity incoherence) 预备知识 低秩矩阵恢复（鲁棒主成分分析RPCA） 在许多实际应用中，给定的数据矩阵Ｄ往往是低秩或近似低秩的，但存在随机幅值任意大但是分布稀疏的误差破坏了原有数据的低秩性，为了恢复矩阵Ｄ的低秩结构，可将矩阵Ｄ分解为两个矩阵之和，即Ｄ＝Ａ＋Ｅ，其中矩阵Ａ和Ｅ未知，但Ａ是低秩的。当矩阵Ｅ的元素服从独立同分布的高斯分布时，可用经典的PCA来获得最优的矩阵Ａ，即求解下列最优化问题： 当Ｅ为稀疏的大噪声矩阵时，问题转化为双目标优化问题： 引入折中因子λ，将双目标优化问题转换为单目标优化问题： RPCA的求解 凸松弛 迭代阈值算法（iterative thresholding，IT） 将最优化问题正则化，便得到优化