robust pca松弛表达的求解—apg.pptVIP

PCA 周宗伟 Robust PCA 简介和解决算法 在一些实际应用中，给定的数据M往往都是低秩的或者是近似低秩的，为了恢复矩阵的低秩结构，我们将矩阵M分解为两个矩阵的和： M=L+N 其中L是低秩矩阵，N是一个小的干扰矩阵。 传统的PCA就是在2范数上寻找最优的低秩矩阵L，即下面的最优化问题： min ||M-L|| , s.t. rank(L) ≦k， M=L+N。 当噪声干扰矩阵N中元素都很小且各自相互独立的服从高斯分布时，上述问题能够通过求解矩阵的奇异值得到理想的结果。 但是，如果N不能够满足上述条件时，如何恢复低秩结构呢？？？ Robust PCA 在实际应用，比如图像处理、网络数据分析、生物信息学，中，经常会由于采样、环境或者传感器的多种原因导致获得的数据与真实数据有很大出入。 而传统的PCA在处理大误差是很脆弱，不具有鲁棒性，甚至仅仅因为一个元素的测量错误就会导致PCA得到的L与真实L相差很大。 所以，近些年来许多PCA的鲁棒方法