隨著互聯(lián)網(wǎng)的飛速發(fā)展,模式識別在這個人工智能時代里占據(jù)著重要的地位,基于表示的分類（RBC）在近些年成為一種發(fā)展前景可觀的模式識別分類方法,其中,基于7)₁范數(shù)編碼的稀疏表示因其獨特的稀疏性廣受學者的青睞,基于7)₂范數(shù)編碼的協(xié)作表示因其具有封閉形式的解降低了計算量而引起廣泛關(guān)注。本文研究基于7)₁范數(shù)編碼和7)₂范數(shù)編碼的表示分類進行深化研究,并同時考慮局部性約束,進一步引入自適應加權(quán),提出了幾種新穎的加權(quán)表示方法以提高模式識別的分類性能。本文就改進的加權(quán)表示分類方法進行下述的研究工作:（1）考慮LRM中數(shù)據(jù)的局部性,提出加權(quán)兩階段線性重構(gòu)測度的分類（Weighted Two-Phase Linear Reconstruction Measure-based Classification,WTPLRMC）算法。在WTPLRMC中,第一階段通過LRM從所有訓練樣本中確定代表性訓練樣本,第二階段使用數(shù)據(jù)的局部性約束第一階段中所選代表性訓練樣本的線性重構(gòu)系數(shù),這可以通過兩個樣本之間的相似權(quán)重來反映每個測... 

【文章來源】：江蘇大學江蘇省

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

加權(quán)兩階段增強線性重構(gòu)測度分類方法思維導圖

22擇個圖像樣本作為訓練樣本，其余的作為測試樣本。(a)Yale(b)IMM(c)ORL(d)LFW(e)GT圖3.2從每個數(shù)據(jù)庫中選擇的一個人的人臉圖像的示例(a)IMM(l=2)(b)IMM(l=3)(c)Yale(l=3)(d)Yale(l=7)圖3.3TPLRMC和WTPLRMC隨一階段所選樣本比例變化結(jié)果圖

TPLRMC和WTPLRMC的分類結(jié)果圖


本文編號：3359533