一种新的广义鲁棒主成分分析GRPCA算法研究及应用-北京化工大学.PDF

第45卷 第4期 北京化工大学学报(自然科学版) Vol.45,No.4 2018年 Journal of Beijing University of Chemical Technology (Natural Science) 2018 一种新的广义鲁棒主成分分析(GRPCA)算法 研究及应用 1 2 1 1* 侯旭珂 摇 杨宏伟 摇 马摇 方 摇 赵丽娜 (北京化工大学 1郾 理学院;2郾 信息中心,北京摇 100029) 摘摇 要:为恢复被混合噪声污染的低秩矩阵,提出了一种新的广义鲁棒主成分分析(GRPCA)算法。 它通过最小化 核范数、1范数和2,1范数的组合问题,从观测矩阵中分离出低秩部分和混合噪声部分,并用随机排序的交替方向 乘子法求解。 利用本文方法进行垃圾邮件分类的实验结果表明,与经典的主成分分析(PCA)和鲁棒主成分分析 (RPCA)算法相比,本文方法可以有效提高垃圾邮件分类的精确度和稳定性。 关键词:广义鲁棒主成分分析(GRPCA);降维;k近邻(kNN);支持向量机(SVM) 中图分类号:TP391郾41摇 摇 DOI:10.13543/ j.bhxbzr.2018.04.015 低秩部分和混合噪声部分,采用随机排序的交替方 引言 向乘子法(RPADMM)对 GRPCA 求解,并选取机器 在过去的十多年间,数据分析行业发生了革命 学习常用网站 UCI 中的一个垃圾邮件数据集 性的变化。 目前,用户需要处理的数据在尺寸、大小 (spambase)[9-10]来验证GRPCA算法的性能。 [1] 和复杂性上都呈爆炸式增长趋势 ,所以如何通过 1摇 鲁棒主成分分析 识别低维结构从海量数据中提取有用的信息,已成 为一个迫切需要解决的问题。 广义鲁棒主成分分析是由RPCA衍生出的一种 主成分分析(PCA)是一种用于发现数据中低维 新型降维算法,RPCA 由PCA发展而来,可以用于低 结构的通用技术,它假设数据是从一个单一的低维 秩矩阵恢复,即从一个被稀疏大噪声污染的低秩矩 数据中提取的高维空间的仿射子空间。 PCA 作为 阵中恢复出低秩部分,并分离出噪声。 最简单、最流行的降维工具,在计算机视觉与图像处 PCA可以通过约束优化模型(1)求出低秩矩阵 理等许多领域得到广泛的应用[2-4]。 然而,PCA对 A 的最优估计 于含野点和稀疏大噪声的数据非常敏感,为解决此 min 椰E 椰 F 问题,研究者们提出了鲁棒主成分分析(RPCA)方 { A,E (1) s.t.rank(A)臆r,D =A +E [5] 法 。 RPCA方法通过最小化核范数和1范数的组 式中,椰·椰 为Frobenius范数。 设X 是一个n维