本文關鍵詞：基于流形學習的半監(jiān)督分類方法及其應用

  更多相關文章： 流形學習 半監(jiān)督學習 特征提取 人臉識別 降維

【摘要】：信息技術和互聯(lián)網(wǎng)的飛速發(fā)展,使得從多個數(shù)據(jù)源得到的多種形態(tài)的數(shù)據(jù)不斷的呈指數(shù)級增長。如何對這些海量的復雜高維數(shù)據(jù)進行快速有效的處理、提取用戶所需要的有價值信息是理論與應用數(shù)學、模式識別和計算機視覺等領域的學者們所共同關注的問題。大量的數(shù)據(jù)往往表現(xiàn)出很明顯的非線性特性,為了很好地解決這一問題,人們提出了流形學習算法。流形學習是一種有效的數(shù)據(jù)處理工具,可以從原始高維數(shù)據(jù)中挖掘有效精簡的信息并發(fā)現(xiàn)數(shù)據(jù)的低維本質(zhì)屬性。但目前的流形學習算法多是無監(jiān)督的算法,沒有利用到樣本數(shù)據(jù)的先驗信息。如能獲得部分樣本的先驗信息,可以在訓練階段利用這些信息來提高分類器的分類性能,進而對普通學習算法進行推廣得到其半監(jiān)督算法。在處理高維樣本數(shù)據(jù)時,通常會先對樣本數(shù)據(jù)進行降維操作,主成分分析(PCA)算法就是一種常用的高維數(shù)據(jù)降維算法�？紤]到PCA算法因未能充分利用樣本的先驗信息,導致降維效率有限,而且監(jiān)督學習和非監(jiān)督學習算法在已標記樣本數(shù)據(jù)利用方面存在很多不足,本文提出了一種基于流形判別分析的半監(jiān)督支持向量機算法,通過定義基于流形的類內(nèi)離散度和類間離散度,充分發(fā)揮流形判別分析的性質(zhì),從而更深入地改進半監(jiān)督支持向量機,在分類決策時同時考慮了樣本數(shù)據(jù)集的邊界信息、分布特征和它的局部流形結構,該方法不僅繼承了傳統(tǒng)機器學習降維方法的優(yōu)勢,而且使算法的降維效率和分類準確率得到了較大提高。通過在ORL人臉數(shù)據(jù)庫上的實驗,驗證了該算法的有效性。
【關鍵詞】：流形學習 半監(jiān)督學習 特征提取 人臉識別 降維
【學位授予單位】：中北大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-13
• 1.1 研究背景9-10
• 1.2 研究意義10-11
• 1.3 論文的研究內(nèi)容及組織結構11-13
• 1.3.1 本文主要研究內(nèi)容11-12
• 1.3.2 論文組織結構12-13
• 2 流形學習方法簡介13-28
• 2.1 流形學習的研究背景13-15
• 2.1.1 數(shù)據(jù)降維13-14
• 2.1.2 流形學習基本概念14-15
• 2.2 流形學習基本算法及動態(tài)15-23
• 2.2.1 線性流形學習算法15-16
• 2.2.2 非線性流形學習算法16-20
• 2.2.3 其它具有代表性的非線性流形學習算法20-21
• 2.2.4 流形學習發(fā)展動態(tài)21-23
• 2.3 流形學習算法中已知的問題23-26
• 2.4 小結26-28
• 3 半監(jiān)督流形學習算法28-50
• 3.1 半監(jiān)督學習算法28-31
• 3.1.1 監(jiān)督學習算法和無監(jiān)督學習算法28-29
• 3.1.2 半監(jiān)督學習算法29-31
• 3.2 有監(jiān)督流形學習算法31-34
• 3.2.1 基于Isomap的監(jiān)督學習算法32-33
• 3.2.2 基于LLE的監(jiān)督算法33-34
• 3.3 半監(jiān)督流形學習算法34-40
• 3.3.1 半監(jiān)督流形學習算法思想34-36
• 3.3.2 基于圖的半監(jiān)督算法36-37
• 3.3.3 基于測地線距離的半監(jiān)督分類37-40
• 3.4 一種基于流形判別分析的半監(jiān)督支持向量機算法(MDASSVM)40-50
• 3.4.1 流形判別分析(MDA)40-41
• 3.4.2 半監(jiān)督支持向量機41-46
• 3.4.3 基于流形判別分析的半監(jiān)督支持向量機算法46-49
• 3.4.4 多分類支持向量機算法49-50
• 4 基于流形判別分析的半監(jiān)督支持向量機算法的應用50-55
• 4.1 引言50
• 4.2 半監(jiān)督流形學習的應用50-54
• 4.2.1 實驗設置50-51
• 4.2.2 人工生成數(shù)據(jù)及UCI數(shù)據(jù)集51-53
• 4.2.3 人臉識別中的應用53-54
• 4.3 本章小結54-55
• 5 總結與展望55-57
• 參考文獻57-62
• 致謝62-63

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 郝勇智;;基于流形判別分析的半監(jiān)督支持向量機[J];山西電子技術;2015年06期

2 劉忠寶;潘廣貞;趙文娟;;流形判別分析[J];電子與信息學報;2013年09期

3 徐蓉;姜峰;姚鴻勛;;流形學習概述[J];智能系統(tǒng)學報;2006年01期

4 楊劍,李伏欣,王玨;一種改進的局部切空間排列算法[J];軟件學報;2005年09期

5 張振躍,查宏遠;線性低秩逼近與非線性降維[J];中國科學(A輯:數(shù)學);2005年03期

6 譚璐,吳翊,易東云;穩(wěn)健局部線性嵌入方法[J];國防科技大學學報;2004年06期

7 江澤涵 ,周毓麟 ,賀錫章;球上}謁氐牧饜蔚納賢骰穂J];北京大學學報(自然科學);1956年02期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 李春光;流形學習及其在模式識別中的應用[D];北京郵電大學;2008年

2 劉小明;數(shù)據(jù)降維及分類中的流形學習研究[D];浙江大學;2007年

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 魏博蘭;半監(jiān)督流形學習算法在視頻分析中的應用[D];西安電子科技大學;2011年

2 徐寒香;一種基于李群的半監(jiān)督學習算法及應用研究[D];蘇州大學;2009年

，

本文編號：727384