隨著科學(xué)技術(shù)的飛速發(fā)展,圖像數(shù)據(jù)的規(guī)模日益增長(zhǎng)。這些數(shù)據(jù)具有繁冗、高維、非結(jié)構(gòu)化等特點(diǎn),以至于很難發(fā)現(xiàn)其中的規(guī)律與關(guān)聯(lián)。為了合理地對(duì)關(guān)聯(lián)性數(shù)據(jù)進(jìn)行分析與處理,并且使用戶能夠快速地從海量數(shù)據(jù)中獲取可靠、有效的低維特征信息,本文提出了基于樣本懲罰和特征選擇技術(shù)的最小二乘關(guān)聯(lián)分析框架。主要工作內(nèi)容如下:（1）提出了基于樣本懲罰的最小二乘關(guān)聯(lián)框架。本文將四種關(guān)聯(lián)分析算法納入到最小二乘框架,并加入樣本懲罰因子以獲取噪聲圖像數(shù)據(jù)中更好的特征。與傳統(tǒng)的關(guān)聯(lián)分析方法不同,本文提出的基于樣本懲罰的最小二乘關(guān)聯(lián)框架既考慮到減小重構(gòu)誤差,同時(shí)對(duì)樣本點(diǎn)進(jìn)行懲罰以區(qū)分不同樣本點(diǎn)對(duì)關(guān)聯(lián)分析框架的影響。在多個(gè)噪聲環(huán)境下的人臉圖像數(shù)據(jù)集中的實(shí)驗(yàn)結(jié)果表明,此方法在噪聲圖像分類的準(zhǔn)確率以及抑制噪聲對(duì)模型的作用方面均優(yōu)于傳統(tǒng)的關(guān)聯(lián)分析方法,證實(shí)了此方法在抑制噪聲對(duì)圖像的影響方面的優(yōu)越性能。（2）提出了結(jié)合樣本懲罰與特征選擇的最小二乘關(guān)聯(lián)框架。所提出方法在樣本空間與維度空間中實(shí)現(xiàn)特征與樣本的選擇,本文采用基于L_2,1范式的特征選擇技術(shù),進(jìn)一步消除由樣本選擇帶來(lái)的相關(guān)冗余特征,解決訓(xùn)練過(guò)程中的過(guò)擬合問(wèn)題,... 

【文章來(lái)源】：江蘇大學(xué)江蘇省

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

篩選式特征選擇方法流程圖

江蘇大學(xué)工程碩士學(xué)位論文132.2.3嵌入式特征選擇嵌入法是一種讓算法自己決定使用哪些特征的方法，即特征選擇和算法訓(xùn)練同時(shí)進(jìn)行。在使用嵌入法時(shí)，需要檢查機(jī)器學(xué)習(xí)的模型，迭代訓(xùn)練，得到不同特征的權(quán)值系數(shù)，這些權(quán)值系數(shù)往往代表了特征對(duì)于模型的某種貢獻(xiàn)或某種重要性，比如決策樹(shù)和樹(shù)的集成模型中的特征重要性屬性，可以列出各個(gè)特征對(duì)樹(shù)的建立的貢獻(xiàn)，從而可以基于這種貢獻(xiàn)的評(píng)估，找出對(duì)模型建立最有用的特征[43]，同時(shí)進(jìn)行排序。因此相比于篩選法，嵌入法的結(jié)果會(huì)更加精確到模型的效果本身，除此之外，由于考慮到特征對(duì)模型的貢獻(xiàn)，因此無(wú)關(guān)的特征（需要相關(guān)性過(guò)濾的特征）和無(wú)區(qū)分度的特征（需要方差過(guò)濾的特征）都會(huì)因?yàn)槿狈?duì)模型的貢獻(xiàn)而被刪除掉，可謂是篩選法的進(jìn)化版。這種方法的流程圖如圖2.4所示：圖2.3封裝式特征選擇方法流程圖

基于最小二乘關(guān)聯(lián)分析框架的噪聲圖像分類研究14在篩選式和封裝式中，均使用了機(jī)器學(xué)習(xí)模型，二者的不同的是，嵌入式有自己的訓(xùn)練迭代方式自動(dòng)地進(jìn)行特征選擇[44]。嵌入式選擇最常用的技術(shù)是1L正則化和2L正則化，正則化項(xiàng)越大，模型越簡(jiǎn)單，系數(shù)越小，當(dāng)正則化項(xiàng)增大到一定程度時(shí)，所有的特征系數(shù)都會(huì)趨于0，在這個(gè)過(guò)程中，會(huì)有一部分特征的系數(shù)先變成0，也就實(shí)現(xiàn)了特征選擇過(guò)程。邏輯回歸、線性回歸、決策樹(shù)]都可以當(dāng)作正則化選擇特征的基學(xué)習(xí)器，能夠獲得特征系數(shù)或者特征重要度的算法就可以作為嵌入式選擇的基學(xué)習(xí)器[45]。2.3本章小結(jié)本章主要介紹了關(guān)聯(lián)分析方法與特征選擇相關(guān)技術(shù)內(nèi)容。首先，本文敘述了現(xiàn)今的降維技術(shù)一共分為子空間學(xué)習(xí)方法和特征選擇技術(shù)。之后進(jìn)一步介紹子空間學(xué)習(xí)的幾種算法。重點(diǎn)描述了子空間學(xué)習(xí)中的四種關(guān)聯(lián)分析算法PCA、CCA、PLS和MLR。最后介紹了特征選擇技術(shù)的幾種分類。以上所有的方法都會(huì)在下一章節(jié)運(yùn)用上述模型為對(duì)比實(shí)驗(yàn)做鋪墊。圖2.4嵌入式特征選擇方法流程圖

【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合視覺(jué)顯著性的圖像去噪優(yōu)化算法[J]. 趙杰,馬玉嬌,劉帥奇.  計(jì)算機(jī)科學(xué). 2018(02)
[2]一種基于差異系數(shù)的稀疏度自適應(yīng)圖像去噪算法[J]. 焦莉娟,王文劍.  計(jì)算機(jī)科學(xué). 2018(02)
[3]基于EM算法的半監(jiān)督局部加權(quán)PLS在線建模方法[J]. 熊偉麗,薛明晨,李妍君.  系統(tǒng)仿真學(xué)報(bào). 2018(01)
[4]面向高維數(shù)據(jù)的PCA-Hubness聚類方法[J]. 葛亮,郎江濤,唐黃,唐允恒.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2017(11)
[5]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像去噪研究[J]. 李傳朋,秦品樂(lè),張晉京.  計(jì)算機(jī)工程. 2017(03)
[6]淺談數(shù)據(jù)挖掘中的關(guān)聯(lián)分析[J]. 閆昱潔,宋宇辰.  科技經(jīng)濟(jì)市場(chǎng). 2015(02)
[7]基于組件的高維數(shù)據(jù)降維方法研究[J]. 王素芳.  電腦與電信. 2012(10)
[8]特征選擇方法綜述[J]. 姚旭,王曉丹,張玉璽,權(quán)文.  控制與決策. 2012(02)
[9]基于稀疏表示的多標(biāo)記學(xué)習(xí)算法[J]. 宋相法,焦李成.  模式識(shí)別與人工智能. 2012(01)
[10]圖像關(guān)聯(lián)規(guī)則挖掘研究[J]. 雷亮,汪同慶,楊波.  計(jì)算機(jī)應(yīng)用研究. 2009(06)

碩士論文
[1]基于L1正則化Logistic回歸模型的P2P網(wǎng)絡(luò)貸款風(fēng)險(xiǎn)測(cè)度應(yīng)用研究[D]. 吳艇帆.廣州大學(xué) 2019
[2]降維技術(shù)研究及其在圖像分類與識(shí)別中的應(yīng)用[D]. 孫慧強(qiáng).江南大學(xué) 2019
[3]基于C#.NET的遠(yuǎn)程智能管理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 朱濤.北京郵電大學(xué) 2015
[4]基于關(guān)聯(lián)規(guī)則算法的研究與改進(jìn)[D]. 鄧子穗.湖南大學(xué) 2013



本文編號(hào)：3253241