本文關(guān)鍵詞：基于深度極限學(xué)習(xí)機(jī)的K-SVD算法研究及其應(yīng)用，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯(lián)網(wǎng)和信息行業(yè)的蓬勃發(fā)展,自2012年以來,當(dāng)今社會便進(jìn)入了“大數(shù)據(jù)”時(shí)代,生活每天被各種各樣的海量信息所包圍,例如文字信息、語音信息、圖像信息、視頻信息等。作為信息或者數(shù)據(jù)的一種載體,圖像因其所帶給人們的即視感,已經(jīng)成為了繼文本、語音后又一存儲和傳遞信息的常用形式,其數(shù)量正以驚人的速度增長。然而,對于圖像這種本身維度就很高的數(shù)據(jù),用來存儲并傳輸大量圖像的資源是有限的,這就要求高效地表示圖像以節(jié)省存儲空間;與此同時(shí),圖像又不可避免地受到噪聲污染,這就要求尋求一種方法,如何不受噪聲影響地來表征信號。而且,在我們接收到圖像數(shù)據(jù)后,為的是挖掘里面的信息,進(jìn)一步地去理解圖像,這就要求進(jìn)行圖像的識別與分類,如何高效地識別圖像,這一問題也亟待解決�；谏鲜龅娜齻�(gè)問題,本文面向圖像的稀疏表示及字典學(xué)習(xí)算法,借鑒時(shí)下流行的深度學(xué)習(xí)算法思想,融入自動編碼器“重構(gòu)”的理念,采用時(shí)效性更高、參數(shù)調(diào)節(jié)少的極限學(xué)習(xí)機(jī)算法,實(shí)現(xiàn)了圖像的識別與分類。本文的主要工作如下:(1)本文提到的基于自編碼的深度極限學(xué)習(xí)機(jī),可以作為一種新的特征表示方法。并且應(yīng)用這種方法,不僅可以提取到更高級別的圖像表征,更重要的是,在這一過程中,我們?nèi)サ袅嗽瓐D像中的噪聲;(2)基于上述方法,我們用更高級別的圖像特征表示取代原圖像,將“去噪”后的圖像作為傳統(tǒng)的K-SVD算法的輸入,提高了該算法的效率與準(zhǔn)確率,而且在字典學(xué)習(xí)過程中,通過訓(xùn)練可以得到“去噪”的字典,而這一字典對K-SVD算法和字典學(xué)習(xí)都是至關(guān)重要的;(3)本文將提出的新方法應(yīng)用到4個(gè)不同的數(shù)據(jù)集,且這4個(gè)數(shù)據(jù)集在各自領(lǐng)域都具有一定的代表性,從而充分說明了論文中所提出的方法擁有較好的泛化性能。尤其在時(shí)下流行的多特征融合的數(shù)據(jù)集上效果也較理想,其實(shí)驗(yàn)結(jié)果也證明改進(jìn)方法對多特征融合數(shù)據(jù)有一定的處理能力。
【關(guān)鍵詞】：圖像識別 特征表示 K-SVD 自編碼的深度極限學(xué)習(xí)機(jī) 去噪
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 緒論10-22
• 1.1 課題來源10
• 1.2 論文研究背景及其意義10-12
• 1.3 課題研究現(xiàn)狀國內(nèi)外及存在的問題12-19
• 1.3.1 稀疏表示理論的研究現(xiàn)狀12-15
• 1.3.2 特征表示學(xué)習(xí)的研究現(xiàn)狀15-19
• 1.4 論文的主要工作和結(jié)構(gòu)安排19-22
• 1.4.1 論文的主要工作19
• 1.4.2 論文的結(jié)構(gòu)安排19-22
• 第二章 特征表示學(xué)習(xí)理論22-32
• 2.1 深度學(xué)習(xí)理論的三種模型22-26
• 2.1.1 深信度網(wǎng)絡(luò)23-24
• 2.1.2 卷積神經(jīng)網(wǎng)絡(luò)24-25
• 2.1.3 自動編碼器25-26
• 2.2 極限學(xué)習(xí)機(jī)理論26-30
• 2.2.1 單隱層前饋神經(jīng)網(wǎng)絡(luò)與極限學(xué)習(xí)機(jī)27-28
• 2.2.2 基于自編碼的深度極限學(xué)習(xí)機(jī)28-30
• 2.3 本章小結(jié)30-32
• 第三章 基于深度極限學(xué)習(xí)機(jī)的K-SVD算法改進(jìn)32-40
• 3.1 目標(biāo)的稀疏表示32-35
• 3.1.1K-SVD算法的基本原理32-34
• 3.1.2K-SVD算法的去噪性能34-35
• 3.2 基于深度極限學(xué)習(xí)機(jī)的K-SVD算法改進(jìn)35-38
• 3.2.1DDELM-AE網(wǎng)絡(luò)訓(xùn)練35-37
• 3.2.2 去噪的特征表示及去噪的字典37-38
• 3.3 本章小結(jié)38-40
• 第四章 改進(jìn)的K-SVD算法在目標(biāo)識別、圖像分類中的應(yīng)用40-56
• 4.1 手寫字符識別40-46
• 4.1.1DDELM-AE隱含層層數(shù)及隱含層節(jié)點(diǎn)數(shù)42-43
• 4.1.2Ridge parameter43-44
• 4.1.3 實(shí)驗(yàn)結(jié)果44-46
• 4.2 物體識別46-49
• 4.3 人臉識別49-51
• 4.4 多特征融合的物體識別51-55
• 4.4.1 多特征融合介紹51-53
• 4.4.2 實(shí)驗(yàn)分析53-55
• 4.5 本章小結(jié)55-56
• 第五章 總結(jié)與展望56-58
• 5.1 總結(jié)56-57
• 5.2 展望57-58
• 參考文獻(xiàn)58-64
• 致謝64-66
• 攻讀碩士學(xué)位期間的研究成果66

【相似文獻(xiàn)】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 成相奕;基于深度極限學(xué)習(xí)機(jī)的K-SVD算法研究及其應(yīng)用[D];太原理工大學(xué);2016年

2 薛曉霞;基于圖像內(nèi)容聚類和K-SVD算法的字典構(gòu)造方法研究[D];東北師范大學(xué);2013年

  本文關(guān)鍵詞：基于深度極限學(xué)習(xí)機(jī)的K-SVD算法研究及其應(yīng)用，由筆耕文化傳播整理發(fā)布。

本文編號：288302