鲁棒的非负监督低秩鉴别嵌入算法

非负矩阵分解（NMF）已经得到了广泛应用。但NMF更注重数据的局部信息，忽略了数据的全局信息，而在有噪声图像的分类问题上，数据的全局信息往往比局部信息更具鲁棒性。为了提高算法的鲁棒性，结合数据的局部与全局信息，并且考虑低秩表示的特性，提出了一种新的非负监督低秩鉴别嵌入算法，此算法假设数据存在噪声，将数据分解为干净数据与噪声数据，并通过L1范数对噪声矩阵进行稀疏约束，增强对噪声的鲁棒性。此外，该算法使用低秩表示学习到一个低秩矩阵，然后通过非负分解再一次增强算法的鲁棒性。最后结合图嵌入理论，同时保留了数据的局部性和全局性。将该算法应用于各种加噪数据库中发现，相对于对比方法，该算法识别率提升了5%～15%。