矩阵低秩分解理论.pptVIP

关于矩阵低秩分解理论 第1页，共38页，编辑于2022年，星期五 从稀疏表示到低秩分解 稀疏表示 压缩感知(Compressed sensing) 第2页，共38页，编辑于2022年，星期五 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) observation low-rank sparse 第3页，共38页，编辑于2022年，星期五 预备知识 第4页，共38页，编辑于2022年，星期五 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：