稀疏表示和聯(lián)合稀疏表示已成為模式識(shí)別領(lǐng)域中的主流技術(shù),常被用來(lái)進(jìn)行圖像分類、恢復(fù)、去噪等諸多應(yīng)用。傳統(tǒng)的稀疏表示和聯(lián)合稀疏表示通過(guò)一個(gè)過(guò)完備字典線性表示輸入信號(hào),稀疏編碼的性能主要依靠過(guò)完備字典的重構(gòu)性和判別性來(lái)確定,所以構(gòu)造一個(gè)判別性字典對(duì)于稀疏表示和聯(lián)合稀疏表示而言至關(guān)重要。根據(jù)高光譜圖像和人臉圖像的特點(diǎn),本文提出以下兩種改進(jìn)的分類算法。1、在高光譜圖像分類領(lǐng)域聯(lián)合稀疏表示具有高效快捷的優(yōu)勢(shì)。然而每個(gè)像素的局部鄰域一旦包含來(lái)自不同類別的樣本,聯(lián)合稀疏表示將受鄰域內(nèi)字典原子與測(cè)試樣本之間同譜異類的影響,分類性能會(huì)嚴(yán)重降低。當(dāng)前這個(gè)問(wèn)題的研究為人們所關(guān)注。根據(jù)高光譜圖像的特點(diǎn),提出一種融合分層深度網(wǎng)絡(luò)的聯(lián)合稀疏表示算法。通過(guò)在光譜和空間特征學(xué)習(xí)之間交替來(lái)提取判別性光譜信息和空間信息,構(gòu)建一個(gè)兼具空譜特征的學(xué)習(xí)字典并用于聯(lián)合稀疏表示。在分類過(guò)程中將學(xué)習(xí)字典與測(cè)試樣本間的相關(guān)系數(shù)與分類誤差融合在一起進(jìn)行決策。為驗(yàn)證融合分層深度網(wǎng)絡(luò)的聯(lián)合稀疏表示算法的有效性,本文在兩個(gè)傳統(tǒng)的高光譜數(shù)據(jù)集上進(jìn)行仿真模擬實(shí)驗(yàn),與目前較為流行和傳統(tǒng)的算法相比具有良好的效果。2、在人臉圖像分類領(lǐng)域極端學(xué)習(xí)機(jī)和判別性... 

【文章來(lái)源】：遼寧師范大學(xué)遼寧省

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

YaleB人臉數(shù)據(jù)庫(kù)Fig.4.1YaleBFaceDatabase

湃肆懲枷褡魑?盜費(fèi)?荊??Ｓ嗤枷褡魑?饈匝?盡?R人臉數(shù)據(jù)庫(kù)的部分人臉圖像展示如圖4.4所示。在基于AR人臉數(shù)據(jù)庫(kù)進(jìn)行模擬仿真實(shí)驗(yàn)中懲罰參數(shù)α，γ和分別設(shè)置為50，0.01，50，極端學(xué)習(xí)機(jī)隱含層節(jié)點(diǎn)個(gè)數(shù)設(shè)置為1000，字典原子個(gè)數(shù)設(shè)置為500。重復(fù)進(jìn)行5次對(duì)比實(shí)驗(yàn)，平均準(zhǔn)確率、訓(xùn)練時(shí)間、測(cè)試時(shí)間如表4.3所列。此外，使訓(xùn)練樣本數(shù)目分別為12，14，…，22，24時(shí)ADL-AELM算法的平均準(zhǔn)確率變化如圖4.5所示；使極端學(xué)習(xí)機(jī)隱含層節(jié)點(diǎn)個(gè)數(shù)分別為200，400，600，…，1800，2000時(shí)ADL-AELM算法的平均準(zhǔn)確率變化如圖4.6所示。圖4.4AR人臉數(shù)據(jù)庫(kù)Fig.4.4ARfacedatabase表4.3在AR人臉數(shù)據(jù)庫(kù)上相關(guān)算法的分類準(zhǔn)確率與計(jì)算時(shí)間Tab.4.3ClassificationAccuracyandComputingTimeonARFaceDatabase算法準(zhǔn)確率/%訓(xùn)練時(shí)間/s測(cè)試時(shí)間/sSRC92.330.00110.97LC-KSVD89.5010.390.15LCLE-DL91.383.870.14SLC-ADL97.201.410.14SADL95.83753.800.05ADL-AELM97.205.090.16

鸕?5張圖像作為訓(xùn)練樣本，將剩余圖像作為測(cè)試樣本[150]。ORL人臉數(shù)據(jù)庫(kù)的部分人臉圖像如圖4.7所示。在基于ORL人臉數(shù)據(jù)庫(kù)進(jìn)行模擬仿真實(shí)驗(yàn)中懲罰參數(shù)α，γ和分別設(shè)置為0.1，0.001，0.1，極端學(xué)習(xí)機(jī)隱含層節(jié)點(diǎn)個(gè)數(shù)設(shè)置為1000，字典原子個(gè)數(shù)設(shè)置為120。重復(fù)進(jìn)行5次對(duì)比實(shí)驗(yàn)，平均準(zhǔn)確率、訓(xùn)練時(shí)間、測(cè)試時(shí)間如表4.4所列。此外，使訓(xùn)練樣本數(shù)目分別為2，3，…，8，9時(shí)ADL-AELM算法的平均識(shí)別率變化如圖4.8所示；使極端學(xué)習(xí)機(jī)隱含層節(jié)點(diǎn)個(gè)數(shù)分別為200，400，…，1800，2000時(shí)ADL-AELM算法的平均識(shí)別率變化如圖4.9所示。圖4.7ORL人臉數(shù)據(jù)庫(kù)Fig.4.7ORLfacedatabase表4.4在ORL人臉數(shù)據(jù)庫(kù)上相關(guān)算法的分類準(zhǔn)確率與計(jì)算時(shí)間Tab.4.4ClassificationAccuracyandComputingTimeonORLFaceDatabase算法準(zhǔn)確率/%訓(xùn)練時(shí)間/s測(cè)試時(shí)間/sSRC93.500．0009.31LC-KSVD96.000.650.03LCLE-DL89.000.160.02SLC-ADL96.501.500.11SADL87.5022.880.01ADL-AELM98.007.370.21

【參考文獻(xiàn)】：
期刊論文
[1]基于局部保持的遙感場(chǎng)景零樣本分類算法[J]. 吳晨,王宏偉,王志強(qiáng),袁昱緯,劉宇,程紅,全吉成.  光學(xué)學(xué)報(bào). 2019(07)
[2]基于自適應(yīng)核聯(lián)合稀疏表示的多特征高光譜圖像分類[J]. 張會(huì)敏,楊明,呂靜.  中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào). 2018(04)
[3]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)
[4]基于流形學(xué)習(xí)的極端學(xué)習(xí)機(jī)及其在人臉識(shí)別中的應(yīng)用[J]. 張海英,閆德勤,楊伊,楚永賀.  計(jì)算機(jī)測(cè)量與控制. 2016(12)
[5]一種位置無(wú)關(guān)的多模型移動(dòng)用戶行為識(shí)別方法[J]. 王忠民,韓帥,宋輝.  計(jì)算機(jī)應(yīng)用研究. 2017(04)
[6]基于全局和分離部件融合的雙L1稀疏表示人臉圖像識(shí)別算法[J]. 胡正平,宋淑芬.  模式識(shí)別與人工智能. 2012(02)

博士論文
[1]基于稀疏表示的語(yǔ)音盲解卷積和房間脈沖響應(yīng)建模方法研究[D]. 關(guān)鍵.哈爾濱工業(yè)大學(xué) 2018
[2]遙感數(shù)據(jù)分析中的特征表示方法研究[D]. 杭仁龍.南京信息工程大學(xué) 2017
[3]余弦度量下的高維數(shù)據(jù)降維及分類方法研究[D]. 劉勝藍(lán).大連理工大學(xué) 2015
[4]面向人臉識(shí)別的流形正則化判別特征提取算法研究[D]. 張強(qiáng).上海交通大學(xué) 2013
[5]基于高分辨距離像的雷達(dá)自動(dòng)目標(biāo)識(shí)別研究[D]. 廖闊.電子科技大學(xué) 2012

碩士論文
[1]基于解析型字典學(xué)習(xí)的數(shù)據(jù)分類方法研究[D]. 王久君.大連理工大學(xué) 2018
[2]基于新特性非負(fù)矩陣分解方法的行為識(shí)別研究[D]. 卜海麗.西安電子科技大學(xué) 2018
[3]面積主成分分析及應(yīng)用[D]. 李瑾.西安電子科技大學(xué) 2018
[4]基于深度學(xué)習(xí)的數(shù)字取證中文件碎片類型檢測(cè)算法研究[D]. 陳倩.哈爾濱工業(yè)大學(xué) 2018
[5]基于聯(lián)合稀疏表示的高光譜遙感圖像分類[D]. 李佳遜.長(zhǎng)安大學(xué) 2018
[6]步態(tài)識(shí)別中的不變特征提取算法設(shè)計(jì)和研究[D]. 陳海峰.深圳大學(xué) 2017
[7]基于極限學(xué)習(xí)機(jī)的分類問(wèn)題研究[D]. 李麗娜.遼寧師范大學(xué) 2017
[8]基于稀疏編碼的圖像識(shí)別算法的研究及應(yīng)用[D]. 嚴(yán)旭東.江南大學(xué) 2017
[9]基于多特征的面向?qū)ο蟾叻直媛蔬b感圖像分類[D]. 鄒瑞雪.電子科技大學(xué) 2017
[10]高光譜圖像空譜聯(lián)合監(jiān)督分類算法及軟件系統(tǒng)[D]. 蔣玨.南京理工大學(xué) 2017



本文編號(hào)：3268350