基于核函数的PCA-L1算法

主成分分析方法由于使用了L2范数,因此对异常值较敏感。针对该问题,提出一种基于核函数的L1范数主成分分析方法。运用核函数将原始数据映射到核空间中得到核矩阵,再利用L1范数使距离函数达到最小。实验结果表明,该算法具有旋转不变性,对异常值和非线性问题具有稳定性,且正确识别率较高。

一种加速的PCA-L_1增量子空间学习跟踪方法

为解决PCA-L1增量子空间学习跟踪方法运算量大、实时性不强的不足,分析了PCA-L1的目标跟踪算法的运算瓶颈,应用、改进了边界误差重采样(bounded particle resampling,BPR)算法,引进了加速近似梯度法(accelerated proximal gradient,APG),并测试、比较了该方法与其他经典方法的跟踪效果及运算速度。实验结果表明:该方法加速效果明显,能提高跟踪的实时性,有较强的工程应用价值。