科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了克服重定向最小二乘回归模型容易破坏回归目标的结构的缺点，提出了一种基于低秩稀疏表达的弹性最小二乘回归学习模型LRSR-eLSR。模型以最小二乘回归为基础，不使用严格的0-1标签矩阵作为目标矩阵，而是引入边距约束来直接从数据中学习回归目标，可以在保持回归目标低秩结构的同时，增加回归模型的灵活性。而且，为了捕获数据的结构信息，利用了数据的低秩表示来保持数据的结构。在计算的过程中，考虑问题求解的复杂性，使用了核范数正则化代替秩函数。除此之外，模型还引入了一个带有L2,1范数的稀疏误差项来补偿回归误差，这有利于学习更灵活地变换。模型还对投影矩阵施加额外的正则化项，来避免过拟合问题。实验结果表明：在4个公开的数据集上，所提模型的识别准确率优于其他方法；在COIL-20数据集中，识别率可达到98%。
- 单位
