發(fā)布時間：2021-06-27 16:59

　　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。這些數(shù)據(jù)具有繁冗、高維、非結(jié)構(gòu)化等特點,以至于很難發(fā)現(xiàn)其中的規(guī)律與關(guān)聯(lián)。為了合理地對關(guān)聯(lián)性數(shù)據(jù)進行分析與處理,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,同時對樣本點進行懲罰以區(qū)分不同樣本點對關(guān)聯(lián)分析框架的影響。在多個噪聲環(huán)境下的人臉圖像數(shù)據(jù)集中的實驗結(jié)果表明,此方法在噪聲圖像分類的準確率以及抑制噪聲對模型的作用方面均優(yōu)于傳統(tǒng)的關(guān)聯(lián)分析方法,證實了此方法在抑制噪聲對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),進一步消除由樣本選擇帶來的相關(guān)冗余特征,解決訓(xùn)練過程中的過擬合問題,... 

【文章來源】：江蘇大學(xué)江蘇省

【文章頁數(shù)】：75 頁

【學(xué)位級別】：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)練同時進行。在使用嵌入法時，需要檢查機器學(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)往往代表了特征對于模型的某種貢獻或某種重要性，比如決策樹和樹的集成模型中的特征重要性屬性，可以列出各個特征對樹的建立的貢獻，從而可以基于這種貢獻的評估，找出對模型建立最有用的特征[43]，同時進行排序。因此相比于篩選法，嵌入法的結(jié)果會更加精確到模型的效果本身，除此之外，由于考慮到特征對模型的貢獻，因此無關(guān)的特征（需要相關(guān)性過濾的特征）和無區(qū)分度的特征（需要方差過濾的特征）都會因為缺乏對模型的貢獻而被刪除掉，可謂是篩選法的進化版。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)練迭代方式自動地進行特征選擇[44]。嵌入式選擇最常用的技術(shù)是1L正則化和2L正則化，正則化項越大，模型越簡單，系數(shù)越小，當(dāng)正則化項增大到一定程度時，所有的特征系數(shù)都會趨于0，在這個過程中，會有一部分特征的系數(shù)先變成0，也就實現(xiàn)了特征選擇過程。邏輯回歸、線性回歸、決策樹]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)。之后進一步介紹子空間學(xué)習(xí)的幾種算法。重點描述了子空間學(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在下一章節(jié)運用上述模型為對比實驗做鋪墊。圖2.4嵌入式特征選擇方法流程圖

【參考文獻】：
期刊論文
[1]結(jié)合視覺顯著性的圖像去噪優(yōu)化算法[J]. 趙杰,馬玉嬌,劉帥奇.  計算機科學(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.  計算機科學(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. 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)代計算機(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,張晉京.  計算機工程. 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)濟市場. 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記學(xué)習(xí)算法[J]. 宋相法,焦李成.  模式識別與人工智能. 2012(01)
[10]圖像關(guān)聯(lián)規(guī)則挖掘研究[J]. 雷亮,汪同慶,楊波.  計算機應(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)險測度應(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別中的應(yīng)用[D]. 孫慧強.江南大學(xué) 2019
[3]基于C#.NET的遠程智能管理系統(tǒng)設(shè)計與實現(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[D]. 鄧子穗.湖南大學(xué) 2013



本文編號：3253241