计算机工程

作者：王丽娟, 李可爱, 郝志峰, 蔡瑞初, 尹明

单位：广东工业大学 a. 计算机学院;b. 自动化学院, 广州 510006

关键词：线性回归,低秩表示,噪声数据,人脸识别,高维数据

基金：国家自然科学基金（61502108，61876042，61876043，61502175，61773130）；广东省自然科学基金（2014A030308008，2014A030306004）；NSFC-广东联合基金（U1501254）；广东省科技计划项目（2016B030306004，2017A010101024，2015B010131015）；广东省教育厅科研项目（2017KTSCX059）；广东省特支计划项目（2015TQ01X140）。

现有的线性回归方法不能有效处理噪声和异常数据。针对这一问题，结合低秩表示和鲁棒回归方法构建模型LR-RRM。利用低秩表示方法以有监督的方式检测数据内的噪声和异常值，从原始数据的低维子空间中恢复数据干净部分，并将其应用于线性回归分类，从而提升回归性能。在Extend YaleB、AR、ORL和PIE人脸数据集上的实验结果表明，与标准线性回归、基于鲁棒主成分分析和低秩表示的线性回归模型相比，该模型在4种原始数据集以及添加随机噪声后的数据集上分类准确率和鲁棒性均较优。

来源：2020年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2020年第1期