范数应用

在人脸识别中的间距准则算法中，都有一个目标函数，经典的目标函数都是采用L2范数的，L2范数在许多特定的情况下求解较为容易，但是由于人脸图像具有较强的复杂度，算法能够达到一定的效果但是都不能够达到最为理想的效果，所有针对L2范数对噪声数据不具有较好的鲁棒性，为了增强对野值和噪声的适应性，使得算法具有更强的鲁棒性，提出了改进的算法即为L1范数，在许多文献中都得到了较好的验证（基于L1_范数的最大间距准则_陈思宝，基于L1范数的二维鉴别局部保留投影的最大间距准则方法_谢玉凯，基于L1范数的分块二维局部保持投影算法_丁铭，基于L1范数的特征提取算法研究_谢玉凯，稀疏L1范数最小二乘支持向量机_梁锦锦，L1 L2BurgueteJ_ComputersFluids_2013）目前已经有了许多改进，我在二维最大间距准则算法的基础上结合L1和L2范数提出了Lp范数（基于Lp范数的二维最大间距准则算法及其在人脸识别中的应用），是两个经典算法的进一步扩展，不仅仅提高了算法的适应度同时使得算法进一步范化，此后看论文还有已经有了别的Lp范数的应用，比如对目标函数的约束条件也可以采用Lp范数，即为Lp范数下的约束（Lp范数约束的广义主成分分析在人脸识别中的应用_刘宁，基于Lp范数的样本对加权的人脸识别_刘宁），结合L1范数和Lp范数有论文（Lp范数约束下的最大化L1范数主成分分析_梁志贞 ），(L_2,1范数正则化的广义核判别分析及其人脸识别  ,基于L_2,p矩阵范数稀疏表示的图像分类方法, Lebesgue-p范数意义下对初态误差进行加速修正的迭代学习控制    ) ,  此外还有Lp,q范数及其拓展有待进一步研究。