發(fā)布時間：2017-08-23 21:20

  本文關(guān)鍵詞：基于流形學(xué)習(xí)的半監(jiān)督分類方法及其應(yīng)用

  更多相關(guān)文章： 流形學(xué)習(xí) 半監(jiān)督學(xué)習(xí) 特征提取 人臉識別 降維

【摘要】：信息技術(shù)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(fù)雜高維數(shù)據(jù)進(jìn)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(yīng)用數(shù)學(xué)、模式識別和計(jì)算機(jī)視覺等領(lǐng)域的學(xué)者們所共同關(guān)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(xué)習(xí)算法。流形學(xué)習(xí)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(xué)習(xí)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(yàn)信息。如能獲得部分樣本的先驗(yàn)信息,可以在訓(xùn)練階段利用這些信息來提高分類器的分類性能,進(jìn)而對普通學(xué)習(xí)算法進(jìn)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(jìn)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(yàn)信息,導(dǎo)致降維效率有限,而且監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)算法在已標(biāo)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(jī)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(jìn)半監(jiān)督支持向量機(jī),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(jié)構(gòu),該方法不僅繼承了傳統(tǒng)機(jī)器學(xué)習(xí)降維方法的優(yōu)勢,而且使算法的降維效率和分類準(zhǔn)確率得到了較大提高。通過在ORL人臉數(shù)據(jù)庫上的實(shí)驗(yàn),驗(yàn)證了該算法的有效性。
【關(guān)鍵詞】：流形學(xué)習(xí) 半監(jiān)督學(xué)習(xí) 特征提取 人臉識別 降維
【學(xué)位授予單位】：中北大學(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4-5
• 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(jié)構(gòu)11-13
• 1.3.1 本文主要研究內(nèi)容11-12
• 1.3.2 論文組織結(jié)構(gòu)12-13
• 2 流形學(xué)習(xí)方法簡介13-28
• 2.1 流形學(xué)習(xí)的研究背景13-15
• 2.1.1 數(shù)據(jù)降維13-14
• 2.1.2 流形學(xué)習(xí)基本概念14-15
• 2.2 流形學(xué)習(xí)基本算法及動態(tài)15-23
• 2.2.1 線性流形學(xué)習(xí)算法15-16
• 2.2.2 非線性流形學(xué)習(xí)算法16-20
• 2.2.3 其它具有代表性的非線性流形學(xué)習(xí)算法20-21
• 2.2.4 流形學(xué)習(xí)發(fā)展動態(tài)21-23
• 2.3 流形學(xué)習(xí)算法中已知的問題23-26
• 2.4 小結(jié)26-28
• 3 半監(jiān)督流形學(xué)習(xí)算法28-50
• 3.1 半監(jiān)督學(xué)習(xí)算法28-31
• 3.1.1 監(jiān)督學(xué)習(xí)算法和無監(jiān)督學(xué)習(xí)算法28-29
• 3.1.2 半監(jiān)督學(xué)習(xí)算法29-31
• 3.2 有監(jiān)督流形學(xué)習(xí)算法31-34
• 3.2.1 基于Isomap的監(jiān)督學(xué)習(xí)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(xué)習(xí)算法34-40
• 3.3.1 半監(jiān)督流形學(xué)習(xí)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(jī)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(jī)41-46
• 3.4.3 基于流形判別分析的半監(jiān)督支持向量機(jī)算法46-49
• 3.4.4 多分類支持向量機(jī)算法49-50
• 4 基于流形判別分析的半監(jiān)督支持向量機(jī)算法的應(yīng)用50-55
• 4.1 引言50
• 4.2 半監(jiān)督流形學(xué)習(xí)的應(yīng)用50-54
• 4.2.1 實(shí)驗(yàn)設(shè)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(yīng)用53-54
• 4.3 本章小結(jié)54-55
• 5 總結(jié)與展望55-57
• 參考文獻(xiàn)57-62
• 致謝62-63

【參考文獻(xiàn)】

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(jī)[J];山西電子技術(shù);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(xué)報(bào);2013年09期

3 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

4 楊劍,李伏欣,王玨;一種改進(jìn)的局部切空間排列算法[J];軟件學(xué)報(bào);2005年09期

5 張振躍,查宏遠(yuǎn);線性低秩逼近與非線性降維[J];中國科學(xué)(A輯:數(shù)學(xué));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(xué)學(xué)報(bào);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(xué)學(xué)報(bào)(自然科學(xué));1956年02期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 李春光;流形學(xué)習(xí)及其在模式識別中的應(yīng)用[D];北京郵電大學(xué);2008年

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

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

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

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

，

本文編號：727384