基于矩阵变元t分布的正则化稳健主成分分析.pdfVIP

摘要

摘要

主成分分析(PCA)是一种线性降维方法，在图像识别、金融、医学等领域

有广泛的应用。它的主要思想是把多个变量化为少数几个主成分，这几个主成

分能够反映原始变量的绝大部分信息。稳健因子化主成分分析(RFPCA)是PCA

的稳健性扩展，应用的数据形式从线性扩展到矩阵，且具有稳健性。然而，正如

PCA在应用于矩阵型数据中时需将其拉直为向量型数据，RFPCA在处理诸如彩

色图像的三维矩阵型数据时，为了保留图像的颜色信息，同样需要对数据做拉

直处理，也就是将三维数据转换为二维数据，但转换后的数据有一个维度维数

很高。而针对高维矩阵型数据，在进行参数估计时，容易存在矩阵奇异或退化问

题，此外，稳健性的衡量指标崩溃点会随维数的增加而降低。由此可见，在应用

于矩阵型数据时，RFPCA具有一定的局限性。

为了解决RFPCA在高维矩阵型数据上面临的问题，并同时继承其稳健性，

本文提出了正则化稳健主成分分析(R-RPCA)，和RFPCA一样假定数据服从矩

阵变元t分布，是一种改进RFPCA的正则化方法。正则化是通过引入先验信息来

实现的，根据引入不同的先验信息，本文提出了含有可分离协差阵先验信息的第

一种正则化(MAP1)和含有不可分离协差阵先验信息的第二种正则化(MAP2)。

实验表明：R-RPCA具有稳健性；此外，MAP1在时间序列数据上表现更优，而

MAP2在彩色人脸数据上表现更优。

关键字：正则化；主成分分析；矩阵型数据；稳健性；EM算法

II

Abstruct

Regularizedrobustprincipalcomponentsanalysis

usingamatrix-variatetdistribution

LinaSun

Statistics(Science)

DirectedbyJianhuaZhao

PrincipalComponentAnalysis(PCA)isalineardimensionalityreductionmethod

thathasbeenwidelyusedinthefieldsofimagerecognition,finance,andmedicine,etc.

Themainideaistoreducemultiplevariablesintoafewprincipalcomponents,which

reflectthevastmajorityofinformationabouttheoriginalvariables.RobustFactored

PrincipalComponentAnalysis(RFPCA)isarobustextensionofPCA,applyingadata

formthatextendsfromlineartomatrixwithrobustness.However,justasPCAneeds

tobestraightenedintovectorialdatawhenappliedtomatrixdata,RFPCAalsoneeds

tobestraightenedinordertopreservethecolorinformationofanimagewhendealing

with3Dmatrixdatasuchascolorimages,i.e.,the3Ddataisconvertedinto2Ddata,

butthetransformeddatahasonedimensionwithahighnumberofdimensions.For

high-dimensionalmatrixdata,ontheotherhand,itispronetomatrixsingularityor

de