The invention discloses an improved robust tensor principal component analysis method based on low rank core matrix, belonging to the technical field of data processing. In this paper, the low-rank kernel matrix approximation is used to improve the existing robust principal component analysis techniques. First, tensor singular value decomposition is performed on the tensor to be processed, and then the low-rank structure of the decomposed f_diagonal tensor is used. An improved tensor kernel norm is defined, which is increased compared with the existing tensor kernel norm. A kernel norm of the core matrix constructed by the f diagonal tensor. The tensor kernel norm term in the present invention can extract low rank tensor components in the first and second modes, while the other one uses the kernel norm of the core matrix to process low rank tensor components in the third mode. The invention can be used for image processing and provides an efficient robust tensor principal component analysis method for image processing.
【技术实现步骤摘要】
基于低秩核心矩阵的改进稳健张量主成分分析方法
本专利技术涉及数据处理领域,尤其涉及一种改进的张量低秩分解方法。
技术介绍
张量是多维数据,它是向量和矩阵数据的高阶泛化。基于张量数据的信号处理在广泛的应用中发挥了重要作用,如推荐系统,数据挖掘,图像/视频去噪和修复等。然而,许多数据处理方法仅仅针对二维数据开发。将这些有效的方法扩展到张量领域已变得越来越重要。稳健主成分分析(RPCA)是经典主成分分析(PCA)的衍生,其已经被广泛应用于许多数据处理问题。在RPCA方法中,通过将一个矩阵X分解成一个低秩成分L和一个稀疏成分E,L和E可以很高概率地通过解决以下凸问题恢复出来:minL,E‖L‖*+λ‖E‖1,s.t.X=L+E(1)其中‖L‖*表示矩阵核范数,定义为矩阵L的奇异值之和;‖E‖1表示矩阵E的l1范数,定义为矩阵E的所有元素的绝对值之和。RPCA已被应用于图像处理领域,包括背景建模、批处理图像对齐方式、人脸去阴影等。它仅仅能处理矩阵数据,而一些现实世界的图像数据是以多维形式存在的,如RGB彩色图像、视频、高光谱图像和磁共振图像等。张量数据的矩阵化并不是充分利用多维数据的结构信息。为解决这一问题,稳健张量主成分分析(RTPCA)方法被提出。给定一个张量其中表示实数域,上标为维度信息,即N1,N2,N3分别表示张量的第一,第二和第三维度,张量可以被分解为低秩成分和稀疏成分,可以表示如下:其中表示低秩成分,ε0表示稀疏成分。张量秩是RTPCA的重要特征之一,张量分解的不同框架有不同的张量秩的定义。例如,典范因子分解(CPD)将一个张量分解成若干个秩为1的张量 ...
【技术保护点】
1.基于低秩核心矩阵的改进稳健张量主成分分析方法,其特征在于,包括下列步骤:步骤S1:初始化低秩成分
【技术特征摘要】
1.基于低秩核心矩阵的改进稳健张量主成分分析方法,其特征在于,包括下列步骤:步骤S1:初始化低秩成分稀疏成分对偶变量拉格朗日惩罚算子ρ、收敛阈值∈,参数λ、λ1和更新率α1、α2;其中参数λ、λ1的初始值分别为:步骤S2:对待主成分分析的张量其中表示实数域,上标为维度信息;对张量进行张量奇异值分解,得到正交张量和以及核心张量其中和构造核心矩阵其中算子表示基于核心张量的正面切片的对角元素构造核心矩阵,核心矩阵的列数为N,行数为N3;步骤S3:对低秩成分稀疏成分进行迭代更新处理:基于S2中分解得到的正交张量和根据计算中间张量其中算子为算子的逆操作,表示核心矩阵的奇异值阈值算子;更新低秩成分为:其中,表示张量的张量奇异值阈值算子;更新稀疏成分为:其中表示张量的软阈值算子;步骤S4:判断是否满足迭代更新收敛条件,若是,则输出迭代更新后的低秩成分和...
【专利技术属性】
技术研发人员:刘翼鹏,冯兰兰,陈龙喜,曾思行,朱策,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。