增强鲁棒主成分分析算法.pdfVIP

第57卷第10期通信技术Vol.57No.10

2024年10月CommunicationsTechnologyOct.2024

文献引用格式：周德民,谢卫.增强鲁棒主成分分析算法[J].通信技术,2024,57(10):1018-1022.

doi:10.3969/j.issn.1002-0802.2024.10.005

增强鲁棒主成分分析算法*

周德民，谢卫

（中国电子科技集团公司第十研究所，四川成都610036）

摘 要：主成分分析（PrincipalComponentAnalysis，PCA）能够实现对高维数据的快速降维以提

取高维数据的关键特征，有助于克服“维数灾难”难题。然而，现有PCA方法难以有效处理带噪

数据，基于低维表示的PCA方法存在去噪效果差等问题，而基于低秩表示的PCA方法虽然能够移

除噪声干扰，但不能学习投影矩阵，在处理新样本时需要进行低秩分解，存在样本外难题。为解

决上述难题，提出了集成低维PCA和低秩PCA的增强鲁棒PCA算法（EnhancedRobustPrincipal

ComponentAnalysis，ERPCA），通过自适应地对含噪样本和干净样本分配不同的权重，选择出干

净样本进行训练，减弱噪声样本对投影方向求解的影响，提高ERPCA的鲁棒性和去噪效果。最后，通

过在多个常用人脸数据集上进行实验，证明了所提算法的正确性和有效性。

关键词：特征提取；数据降维；主成分分析；去噪

中图分类号：TP301.6文献标识码：A文章编号：1002-0802(2024)-10-1018-05

EnhancedRobustPrincipalComponentAnalysisAlgorithm

ZHOUDemin,XIEWei

(No.10InstituteofCETC,ChengduSichuan610036,China)

Abstract:PCA(PrincipalComponentAnalysis)canefficientlyachievedimensionreductionofhigh-

dimensionaldataforkeyfeaturesextraction,whichhelpstoovercomethecurseofdimensionality.However,

theexistingPCAmethodsfaceseveralchallengeswhenprocessingnoisydataeffectively,thePCAmethod

basedonlow-dimensionalrepresentationsuffersfrompoordenoisingeffect,andthePCAmethodbasedon

low-rankrepresentation,althoughitcanremovethenoiseinterference,butitcannotlearntheprojection

matrix,anditneedstocarryoutthelow-rankdecompositionwhenprocessingnewsamples,andthereisthe

problemofout-of-sample.Toaddresstheabovechallenges,thispaperproposesERPCA(Enhanced