本文關(guān)鍵詞： 缺損數(shù)據(jù) 流形學(xué)習(xí) 余弦相似度 核范數(shù) 正則化　出處：《華僑大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：在很多實(shí)際應(yīng)用問(wèn)題中,高維數(shù)據(jù)集可能具有缺失數(shù)據(jù)值。如在視頻監(jiān)控中,監(jiān)控目標(biāo)可能被其他物體部分遮擋,此時(shí)只能獲取監(jiān)控目標(biāo)的部分圖像,這些被遮擋的圖像即為缺損數(shù)據(jù),如何挖掘缺損數(shù)據(jù)的本質(zhì)特征尤其是非線性特征逐漸成為機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的一個(gè)熱點(diǎn)。流形學(xué)習(xí)作為一種非線性的降維技術(shù),能夠較好地挖掘高維數(shù)據(jù)的非線性特征。但是,傳統(tǒng)的流形學(xué)習(xí)算法大多基于一種近似理想的情況下,即樣本數(shù)據(jù)均勻采樣于一個(gè)高維歐式空間中的低維流形。當(dāng)數(shù)據(jù)缺損時(shí),流形學(xué)習(xí)的效果會(huì)受到很大的影響。因此,本文主要圍繞現(xiàn)有流形學(xué)習(xí)算法無(wú)法較好地挖掘缺損數(shù)據(jù)集的非線性特征問(wèn)題展開(kāi),從構(gòu)造缺損數(shù)據(jù)集的局部鄰域和局部幾何結(jié)構(gòu)出發(fā),提出可以較好地挖掘缺損數(shù)據(jù)集的流形學(xué)習(xí)算法。本文主要有以下兩個(gè)方面的工作:1.針對(duì)缺失像素的圖像集,我們提出了一種面向缺失像素圖像集的修正拉普拉斯特征映射算法。該算法將缺失像素圖像集看成向量集,首先利用圖像向量之間的余弦相似度衡量缺失像素圖像之間的距離,構(gòu)造樣本點(diǎn)的近鄰域。然后提出一種新的權(quán)值構(gòu)造函數(shù),構(gòu)造權(quán)值矩陣。最后,通過(guò)極小化價(jià)值函數(shù)計(jì)算樣本點(diǎn)的低維嵌入坐標(biāo)。在多組真實(shí)圖像集上的分類實(shí)驗(yàn)結(jié)果表明,修正的拉普拉斯特征映射算法可以很好地挖掘缺失像素圖像集的內(nèi)在流形結(jié)構(gòu),減弱缺失像素帶來(lái)的不良影響。2.我們提出了一種基于核范數(shù)正則化的局部切空間排列算法(Local Tangent Space Alignment via Nuclear Norm Regularization,簡(jiǎn)稱LTSA-NNR)。該算法首先使用余弦相似性的度量方法構(gòu)造缺損數(shù)據(jù)的局部鄰域,然后提出了一種核范數(shù)正則化模型用于提取鄰域的局部坐標(biāo),區(qū)別于傳統(tǒng)的流形學(xué)習(xí)算法,LTSA-NNR算法提取的局部坐標(biāo)的維度位于一個(gè)合理的范圍內(nèi)。最后,將這些局部坐標(biāo)進(jìn)行排列,構(gòu)造缺損數(shù)據(jù)的全局坐標(biāo)。我們?cè)谝恍┱鎸?shí)數(shù)據(jù)集上進(jìn)行了多個(gè)可視化實(shí)驗(yàn)和分類實(shí)驗(yàn),用以證明LTSA-NNR算法的有效性。
[Abstract]:In many practical applications, high-dimensional data sets may have missing data values. For example, in video surveillance, the target may be partially occluded by other objects, and only part of the image of the target can be obtained. These occluded images are called defective data. How to mine the essential features of defective data, especially nonlinear features, has gradually become a hot topic in machine learning and data mining. Manifold learning is a nonlinear dimensionality reduction technique. However, most of the traditional manifold learning algorithms are based on an approximate ideal case in which the sample data are uniformly sampled in a low-dimensional manifold in a high-dimensional Euclidean space. The effect of manifold learning will be greatly affected. Therefore, this paper focuses on the problem that the existing manifold learning algorithms can not well mine the nonlinear characteristics of the defective data sets. Based on the construction of the local neighborhood and local geometry structure of the defective dataset, a manifold learning algorithm is proposed, which can be used to mine the defective dataset. In this paper, there are two main works: 1. For the image set with missing pixels, We propose a modified Laplacian feature mapping algorithm for missing pixel image sets, which regards the missing pixel image set as a vector set. Firstly, the distance between the missing pixel images is measured by the cosine similarity between the image vectors. A new weight constructor is proposed to construct the weight matrix. Finally, the minimum value function is used to calculate the low dimensional embedded coordinates of the sample points. The modified Laplace feature mapping algorithm can well mine the intrinsic manifold structure of the missing pixel image set. 2. We propose a local Tangent Space Alignment via Nuclear Norm regularization (LTSA-NNRN) algorithm based on kernel norm regularization. The local neighborhood of the damaged data, Then a kernel norm regularization model is proposed to extract the local coordinates of the neighborhood, which is different from the dimension of the local coordinates extracted by the traditional manifold learning algorithm (LTSA-NNR). These local coordinates are arranged to construct the global coordinates of the defective data. We have carried out several visualization experiments and classification experiments on some real data sets to prove the validity of the LTSA-NNR algorithm.
【學(xué)位授予單位】：華僑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 曾憲華;羅四維;;動(dòng)態(tài)增殖流形學(xué)習(xí)算法[J];計(jì)算機(jī)研究與發(fā)展;2007年09期

2 曾憲華;羅四維;;局部保持的流形學(xué)習(xí)算法對(duì)比研究[J];計(jì)算機(jī)工程與應(yīng)用;2008年29期

3 劉志勇;;基于保距與保拓?fù)涞牧餍螌W(xué)習(xí)算法[J];長(zhǎng)江大學(xué)學(xué)報(bào)(自然科學(xué)版)理工卷;2010年02期

4 閆志敏;劉希玉;;流形學(xué)習(xí)及其算法研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2011年05期

5 楊海紅;;流形學(xué)習(xí)中鄰域大小的選擇算法[J];山西煤炭管理干部學(xué)院學(xué)報(bào);2011年01期

6 周華;蔡超;丁明躍;;基于流形學(xué)習(xí)和流形高階近似的圖像距離度量[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

7 石陸魁;張軍;宮曉騰;;基于鄰域保持的流形學(xué)習(xí)算法評(píng)價(jià)模型[J];計(jì)算機(jī)應(yīng)用;2012年09期

8 談超;關(guān)佶紅;周水庚;;增量與演化流形學(xué)習(xí)綜述[J];智能系統(tǒng)學(xué)報(bào);2012年05期

9 徐蓉;姜峰;姚鴻勛;;流形學(xué)習(xí)概述[J];智能系統(tǒng)學(xué)報(bào);2006年01期

10 羅四維;趙連偉;;基于譜圖理論的流形學(xué)習(xí)算法[J];計(jì)算機(jī)研究與發(fā)展;2006年07期

相關(guān)會(huì)議論文 前4條

1 宋欣;王娟;張斌;葉世偉;;流形學(xué)習(xí)算法分析及在人臉數(shù)據(jù)庫(kù)上的應(yīng)用[A];2008年全國(guó)開(kāi)放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(上冊(cè))[C];2008年

2 劉曉平;季浩;鄧偉財(cái);;基于流形學(xué)習(xí)的非線性系統(tǒng)可視化算法[A];全國(guó)第21屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議（CACIS·2010）暨全國(guó)第2屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2010年

3 何慧;陳博;郭軍;;基于流形學(xué)習(xí)的半監(jiān)督文本情感分類算法[A];第五屆全國(guó)信息檢索學(xué)術(shù)會(huì)議論文集[C];2009年

4 蔣全勝;賈民平;胡建中;許飛云;;一種基于流形學(xué)習(xí)的故障模式識(shí)別方法[A];第九屆全國(guó)振動(dòng)理論及應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 蘇祖強(qiáng);基于泛化流形學(xué)習(xí)的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障診斷方法研究[D];重慶大學(xué);2015年

2 馬婧華;基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械早期故障融合診斷方法研究[D];重慶大學(xué);2015年

3 邢向磊;流形學(xué)習(xí)與稀疏表示在模式識(shí)別中的應(yīng)用[D];南京大學(xué);2013年

4 盧磊;機(jī)械加工過(guò)程中的早期故障微弱信號(hào)處理方法研究[D];哈爾濱工業(yè)大學(xué);2016年

5 郝中華;基于微分流形的非線性降維方法研究[D];上海大學(xué);2016年

6 黃紅兵;層次流形學(xué)習(xí)及其在監(jiān)督分類中的應(yīng)用[D];上海交通大學(xué);2015年

7 杜春;流形學(xué)習(xí)及其應(yīng)用算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

8 李月仙;基于拉普拉斯特征映射算法的旋轉(zhuǎn)機(jī)械故障診斷研究[D];太原理工大學(xué);2016年

9 李俊;基于智能優(yōu)化的特征選擇及分類方法研究[D];武漢大學(xué);2014年

10 黃鴻;圖嵌入框架下流形學(xué)習(xí)理論及應(yīng)用研究[D];重慶大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 胡浩松;基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械故障識(shí)別方法研究[D];燕山大學(xué);2015年

2 丁春濤;基于圖嵌入的判別近鄰分析研究及應(yīng)用[D];蘇州大學(xué);2015年

3 余嬋娟;交互式人臉檢索中人機(jī)人臉認(rèn)知一致性研究[D];上海大學(xué);2015年

4 陳明霞;基于半監(jiān)督的多流形學(xué)習(xí)算法研究[D];華僑大學(xué);2015年

5 顧陽(yáng)陽(yáng);基于流形學(xué)習(xí)的雷達(dá)輻射源識(shí)別技術(shù)[D];西安電子科技大學(xué);2014年

6 高漢宇;基于最優(yōu)r-覆蓋堆積數(shù)本征維數(shù)估計(jì)方法及其應(yīng)用[D];西安電子科技大學(xué);2014年

7 羅廷金;基于流形學(xué)習(xí)的數(shù)據(jù)降維算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

8 周韻然;基于流形學(xué)習(xí)的A股上市公司抽樣的信用評(píng)價(jià)[D];電子科技大學(xué);2014年

9 史仍浩;基于流形學(xué)習(xí)的在線社會(huì)網(wǎng)絡(luò)節(jié)點(diǎn)分類[D];上海交通大學(xué);2013年

10 陳詩(shī)文;流形學(xué)習(xí)在數(shù)據(jù)降維中的應(yīng)用研究[D];浙江工業(yè)大學(xué);2015年

，

本文編號(hào)：1546924