低秩矩阵恢复算法综述.docxVIP

低秩矩阵恢复算法综述 在计算机视觉、模式识别、数据结构、机械学习等领域，最常用的模型是假设相关数据（或类似于）存在于低维线性空间。主成分分析(principal component analysis,PCA)、线性判别分析(linear discriminant analysis,LDA)和独立成分分析(independent component analysis,ICA)等子空间学习模型 在过去的几年里,基于稀疏表示的压缩感知(compressed sensing/compressed sampling,CS) 1 实矩阵与数矩阵的及秩序 向量p范数。向量a=(a 特殊地,当p=1时,‖a‖ 矩阵的内积。对于两个同型的m×n维实矩阵A和B,它们的内积为〈A,B〉=∑ 矩阵的范数。矩阵A=(a 矩阵奇异值分解。矩阵A∈R 其中:U∈R 显然矩阵A的秩为rank(A)=r。记U=(u u 矩阵A的谱范数定义为‖A‖ 其中:I 令Q=(q 的最优解为X 此优化问题有闭形式解X 记上述优化问题的最优解为X 2 双目标优化问题式 在许多实际应用中,所给定的数据矩阵D∈R 对矩阵D进行SVD便可得到上述优化问题的最优解。但当E为稀疏的大噪声矩阵时,PCA不再适用。此时,恢复低秩矩阵A为一个双目标优化问题: 通过引入折中因子λ(0),将双目标优化问题式(8)转换为如下的单目标优化问题: 优化