论文部分内容阅读
字典学习方法是一种非常有效的信号稀疏表示方法,在稀疏信号处理领域应用极其广泛。然而,实际应用中,训练样本和测试样本可能会受到损坏并且含有噪声和异常值,这将严重影响字典学习方法的性能。为此,不同于传统的字典学习方法从干净数据中学习字典,提出一种新型鲁棒字典学习算法,旨在处理训练样本中的异常值。该算法通过采用交替近端线性化方法求解非凸的最小l0范数,在学习鲁棒字典的同时隔离训练样本中的异常值。大量仿真对比实验表明,所提算法具有更好的鲁棒性,并能提供很好的性能改进。