张量补全算法及其在人脸识别中的应用

数据丢失问题通常可以归结为矩阵补全问题,而矩阵补全是继压缩感知理论之后的又一种重要的信号获取方法.在实际应用中,数据样例往往具有多线性性,即数据集可以表示成高阶张量.本文研究了张量补全问题及其在人脸识别中的应用.基于张量的低维Tucker分解,提出张量补全的迭代算法,并且证明在算法的迭代过程中,估计张量与其Tucker逼近张量的距离是单调递减的.实验结果表明张量补全算法在补全张量和人脸识别上的可行性与有效性.