基于加权核范数和L_(2,1)范数的最优均值线性分类器

缺陷检测是智能制造系统的一个重要的环节。在采用传统机器学习算法进行缺陷分类的时候,通常会遇到数据噪声干扰,降低算法对缺陷类别的预测精度。尽管近几年提出了如鲁棒线性判别分析(RLDA)等强大的算法用于解决数据受稀疏噪声干扰的分类问题,但仍存在一些缺点限制其应用性能。该文提出一种新的基于线性判别分析的最优均值鲁棒线性分类模型(OMRLSA)。不同于以往应对噪声数据的分类方法忽略稀疏噪声具有的拉普拉斯分布特性对数据均值的影响,该文所提出的最优均值鲁棒线性分类模型会自动更新数据的最优均值,从而保证数据的统计特性不会受到噪声的干扰。此外,随后的损失函数中首次在鲁棒分类模型中引入了关于正则化和误差测量的联合L_(2,1)范数最小化和秩压缩的加权核范数最小化方法,从而提高算法的鲁棒性。在具有不同比例损坏的标准数据集上的实验结果说明了该文方法的优越性。