面向RPCA求解的双噪声对偶增广拉格朗日乘子法
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 鲁棒性主成分分析及其相关算法概况 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.4 本文的主要研究内容 | 第15-17页 |
| 第2章 用于求解RPCA问题的典型算法 | 第17-29页 |
| 2.1 基于贝叶斯理论的方法 | 第17-19页 |
| 2.2 基于M估计的方法 | 第19-20页 |
| 2.3 基于凸优化模型的方法 | 第20-28页 |
| 2.3.1 迭代阈值法 | 第20-22页 |
| 2.3.2 近端梯度法 | 第22-24页 |
| 2.3.3 对偶法 | 第24-26页 |
| 2.3.4 增广拉格朗日乘子法 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 面向RPCA求解的对偶增广拉格朗日乘子法 | 第29-40页 |
| 3.1 对偶法最优化乘子初始化 | 第29-30页 |
| 3.2 对偶增广拉格朗日乘子算法 | 第30-31页 |
| 3.3 实验研究 | 第31-38页 |
| 3.3.1 数据拟合试验 | 第31-33页 |
| 3.3.2 人脸去噪 | 第33-35页 |
| 3.3.3 动态前景的提取 | 第35-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第4章 面向RPCA求解的双噪声凸优化模型 | 第40-53页 |
| 4.1 双噪声凸优化模型 | 第40页 |
| 4.2 求解双噪声模型的增广拉格朗日乘子法 | 第40-45页 |
| 4.3 实验研究 | 第45-51页 |
| 4.3.1 人脸去噪 | 第45-48页 |
| 4.3.2 动态前景的提取 | 第48-51页 |
| 4.4 本章小结 | 第51-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第58-60页 |
| 致谢 | 第60页 |
