摘要：現(xiàn)有的線性回歸方法不能有效處理噪聲和異常數(shù)據(jù)。針對這一問題,結(jié)合低秩表示和魯棒回歸方法構(gòu)建模型LR-RRM。利用低秩表示方法以有監(jiān)督的方式檢測數(shù)據(jù)內(nèi)的噪聲和異常值,從原始數(shù)據(jù)的低維子空間中恢復(fù)數(shù)據(jù)干凈部分,并將其應(yīng)用于線性回歸分類,從而提升回歸性能。在Extend YaleB、AR、ORL和PIE人臉數(shù)據(jù)集上的實驗結(jié)果表明,與標(biāo)準(zhǔn)線性回歸、基于魯棒主成分分析和低秩表示的線性回歸模型相比,該模型在4種原始數(shù)據(jù)集以及添加隨機噪聲后的數(shù)據(jù)集上分類準(zhǔn)確率和魯棒性均較優(yōu)。