论文部分内容阅读
子空间学习如主成分分析是有效的数据降维方法。但这类方法计算的基向量受离群(outlier)数据的影响很大,导致降维后的数据不能准确地刻画数据的真实分布。为了减少离群数据的影响,该文提出了一种改进的子空间学习方法。该方法不需要直接探测离群数据的位置,而且子空间的求解可归结为特征值分解问题,具有全局最优解。仿真数据上的试验表明该方法是有效的。