發(fā)布時(shí)間：2020-07-19 18:03

【摘要】：標(biāo)記分布學(xué)習(xí)作為多標(biāo)記學(xué)習(xí)的拓展研究,已成為當(dāng)今機(jī)器學(xué)習(xí)的熱門之一。在實(shí)際生活中,為了更好的研究標(biāo)記分布學(xué)習(xí),往往需要搜集大量樣本數(shù)據(jù)。然而獲得大量樣本數(shù)據(jù)的同時(shí)會(huì)帶來(lái)某些樣本之間的相似度過(guò)高,采集樣本中可能會(huì)存在噪聲干擾等問(wèn)題。因此如何約簡(jiǎn)冗余樣本,回避樣本噪聲干擾,對(duì)提高標(biāo)記分布學(xué)習(xí)分類精度至關(guān)重要。傳統(tǒng)多標(biāo)記學(xué)習(xí)中對(duì)此類問(wèn)題研究頗多,然而少有學(xué)者拓展研究至標(biāo)記分布學(xué)習(xí),基于此,本文針對(duì)這兩個(gè)問(wèn)題提出兩種處理算法,主要內(nèi)容如下:(1)現(xiàn)有標(biāo)記分布學(xué)習(xí)算法均直接利用條件概率建立參數(shù)模型,大多數(shù)未充分考慮樣本之間的聯(lián)系�；诖�,引入譜聚類算法,通過(guò)樣本之間相似性關(guān)系將聚類問(wèn)題轉(zhuǎn)化為圖的全局最優(yōu)劃分問(wèn)題,進(jìn)而提出一種結(jié)合譜聚類的標(biāo)記分布學(xué)習(xí)算法SC-LDL(Label Distribution Learning with Spectral Clustering)。首先計(jì)算樣本相似度矩陣,然后對(duì)矩陣進(jìn)行拉普拉斯變換,構(gòu)造特征向量空間,最后通過(guò)K-means算法對(duì)數(shù)據(jù)進(jìn)行聚類建立參數(shù)模型,預(yù)測(cè)未知樣本的標(biāo)記分布。與現(xiàn)有算法在多個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)表明,本算法優(yōu)于多個(gè)對(duì)比算法,統(tǒng)計(jì)假設(shè)檢驗(yàn)進(jìn)一步說(shuō)明算法的有效性和優(yōu)越性。(2)目前大部分標(biāo)記分布學(xué)習(xí)算法均在具有完整信息數(shù)據(jù)下設(shè)計(jì),未考慮數(shù)據(jù)中存在噪聲情況。為此,結(jié)合自編碼器的降噪特性和核極限學(xué)習(xí)機(jī)的穩(wěn)定性,在數(shù)據(jù)集中人為增加高斯噪聲,提出一種基于核極限學(xué)習(xí)機(jī)自編碼器的標(biāo)記分布學(xué)習(xí)算法AKELM-LDL(Label Distribution Learning Algorithm based on Kernel Extreme Learning Machine with Self-Encoder)。本文使用核極限學(xué)習(xí)機(jī)自編碼器對(duì)原始特征空間映射,得到更具魯棒性的特征表達(dá),之后構(gòu)造適應(yīng)標(biāo)記分布學(xué)習(xí)的極限學(xué)習(xí)機(jī)模型作為分類器以提升分類效率及性能。在與多個(gè)LDL算法實(shí)驗(yàn)結(jié)果中表明,本文算法較其他對(duì)比算法具有一定優(yōu)勢(shì),使用假設(shè)檢驗(yàn)方法進(jìn)一步說(shuō)明所提算法的有效性。標(biāo)記分布學(xué)習(xí)相較于傳統(tǒng)多標(biāo)記學(xué)習(xí)更貼近真實(shí)世界,為了進(jìn)一步研究,本文構(gòu)造了一種人臉情感識(shí)別模型ER-LDL(Label Distribution Learning with Emotion Recognition)。通過(guò)LBP提取二維人臉樣本特征,構(gòu)造情緒分布。然后使用KELM分類器預(yù)測(cè)情緒分布。通過(guò)實(shí)驗(yàn)研究表明,構(gòu)造的情緒分布更符合人類對(duì)情感判斷方式,說(shuō)明標(biāo)記分布學(xué)習(xí)是更貼近真實(shí)世界的一種學(xué)習(xí)方式。
【學(xué)位授予單位】：安慶師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：C81
【圖文】：

然而在該風(fēng)景圖圖中，這五個(gè)標(biāo)記所行人占比很少等問(wèn)題。針對(duì)這類實(shí)例，GDistribution Learning, LDL)[4]。同時(shí)由該實(shí)習(xí)的一種拓展學(xué)習(xí)框架，因此傳統(tǒng)多標(biāo)記學(xué)進(jìn)行研究，例如樣本數(shù)據(jù)過(guò)多會(huì)出現(xiàn)的樣本誤、缺少信息等數(shù)據(jù)噪聲干擾問(wèn)題。近年來(lái)，隨著大數(shù)據(jù)時(shí)代的沖擊，越來(lái)中挖掘有效信息成為當(dāng)今時(shí)代的挑戰(zhàn)性問(wèn)題實(shí)際研究中，為了獲取更高精度的預(yù)測(cè)標(biāo)記而樣本數(shù)據(jù)過(guò)多，數(shù)據(jù)分析中常見(jiàn)的存在冗學(xué)者針對(duì)此類問(wèn)題研究展開(kāi)了大量研究。然此類問(wèn)題。因此研究在標(biāo)記分布學(xué)習(xí)中存在如何提升訓(xùn)練數(shù)據(jù)特征的魯棒性，增加算法時(shí)采用數(shù)據(jù)統(tǒng)計(jì)分析方法對(duì)算法實(shí)驗(yàn)評(píng)價(jià)指說(shuō)明算法的穩(wěn)定及有效性。0.4

圖 5. 2 幾種改進(jìn)的圓形區(qū)域 LBP 算子但是，一旦圖像發(fā)生旋轉(zhuǎn)，LBP 算子又會(huì)發(fā)生改變。為了保證旋轉(zhuǎn)不變，T.Ojala又引入了新的定義，將之前提出的的圓形區(qū)域進(jìn)行不斷旋轉(zhuǎn)的操作，即可得到許多 LBP算子，這些 LBP 算子可以使用原始定義進(jìn)行計(jì)算，取其中最小值作為最終 LBP 算子，這樣就保證了 LBP 算子的旋轉(zhuǎn)不變特性，如圖 5.3 所示，多次旋轉(zhuǎn)之后得出最終 LBP算子。

圖 5. 2 幾種改進(jìn)的圓形區(qū)域 LBP 算子但是，一旦圖像發(fā)生旋轉(zhuǎn)，LBP 算子又會(huì)發(fā)生改變。為了保證旋轉(zhuǎn)不變，T.Ojala又引入了新的定義，將之前提出的的圓形區(qū)域進(jìn)行不斷旋轉(zhuǎn)的操作，即可得到許多 LBP算子，這些 LBP 算子可以使用原始定義進(jìn)行計(jì)算，取其中最小值作為最終 LBP 算子，這樣就保證了 LBP 算子的旋轉(zhuǎn)不變特性，如圖 5.3 所示，多次旋轉(zhuǎn)之后得出最終 LBP算子。P=8 R=1 P=16 R=2 P=8 R=2

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 穆靜;陳芳;王長(zhǎng)元;;人臉面部表情圖像的隱馬爾科夫建模及情感識(shí)別[J];西安工業(yè)大學(xué)學(xué)報(bào);2015年09期

2 余鷹;;多標(biāo)記學(xué)習(xí)研究綜述[J];計(jì)算機(jī)工程與應(yīng)用;2015年17期

3 伍育紅;;聚類算法綜述[J];計(jì)算機(jī)科學(xué);2015年S1期

4 管濤;楊婷;;譜聚類廣義模型與典型算法分析[J];模式識(shí)別與人工智能;2014年11期

5 何志芬;楊明;劉會(huì)東;;多標(biāo)記分類和標(biāo)記相關(guān)性的聯(lián)合學(xué)習(xí)[J];軟件學(xué)報(bào);2014年09期

相關(guān)博士學(xué)位論文 前1條

1 劉姝;二維到三維人臉美麗預(yù)測(cè)研究[D];西北工業(yè)大學(xué);2017年

相關(guān)碩士學(xué)位論文 前5條

1 向潤(rùn);基于多重多元回歸的人臉年齡估計(jì)[D];南昌大學(xué);2018年

2 邢超;基于改進(jìn)標(biāo)記分布學(xué)習(xí)算法的人臉年齡估計(jì)[D];東南大學(xué);2017年

3 周穎;標(biāo)記分布在人臉圖像屬性識(shí)別上的應(yīng)用[D];東南大學(xué);2016年

4 王芹;基于自適應(yīng)標(biāo)記分布學(xué)習(xí)的人臉年齡估計(jì)[D];東南大學(xué);2015年

5 高磊;基于分?jǐn)?shù)階Fourier變換的人臉面部表情識(shí)別[D];鄭州大學(xué);2011年

本文編號(hào)：2762765