隨著計(jì)算機(jī)技術(shù)和人工智能的逐漸發(fā)展,模式分類及圖像識(shí)別技術(shù)已經(jīng)廣泛地應(yīng)用于科學(xué)、醫(yī)學(xué)和經(jīng)濟(jì)等各個(gè)不同領(lǐng)域。不同的分類任務(wù)和場(chǎng)景往往需要使用不同的模式分類技術(shù)和分類模型。對(duì)于某些標(biāo)準(zhǔn)數(shù)據(jù)集（如加州大學(xué)提出的用于機(jī)器學(xué)習(xí)的UCI數(shù)據(jù),其屬性值和類別已經(jīng)標(biāo)注）的分類任務(wù),主要考慮特征提取和構(gòu)建合適的分類器;對(duì)于圖像數(shù)據(jù)的識(shí)別任務(wù),由于圖像數(shù)據(jù)的采集和存儲(chǔ)易受到噪聲污染且圖像的維數(shù)一般都較高,除了考慮特征提取和分類器構(gòu)造之外,還需要考慮噪聲去除,每個(gè)環(huán)節(jié)對(duì)最終的圖像識(shí)別結(jié)果都有顯著的影響。盡管已有的噪聲去除方法和各種模式識(shí)別模型已經(jīng)取得較大的發(fā)展,當(dāng)前的一個(gè)普遍看法是不存在對(duì)所有模式識(shí)別問題都適用的單一模型,我們需要把具體問題和相應(yīng)的模式識(shí)別算法結(jié)合起來研究。正是由于不同數(shù)據(jù)集的結(jié)構(gòu)復(fù)雜性和多樣性等問題,已有的方法在一些實(shí)際的分類問題上也存在不足。比如,有的分類算法在標(biāo)準(zhǔn)數(shù)據(jù)集上效果好,但是對(duì)有噪聲的數(shù)據(jù)分類效果不明顯;有的分類算法不受數(shù)據(jù)分布形式的嚴(yán)格限制,而有的算法卻對(duì)數(shù)據(jù)分布形式很敏感。針對(duì)有監(jiān)督模式分類和可遷移圖像識(shí)別任務(wù),本文以優(yōu)化模型結(jié)構(gòu)和提高模型的分類識(shí)別能力為核心目標(biāo),主要圍繞... 

【文章來源】：深圳大學(xué)廣東省

【文章頁數(shù)】：142 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 本文相關(guān)技術(shù)的研究現(xiàn)狀
        1.2.1 圖像預(yù)處理中的噪聲去除
        1.2.2 模式分類中的概率神經(jīng)網(wǎng)絡(luò)
        1.2.3 圖像識(shí)別中的卷積神經(jīng)網(wǎng)絡(luò)
    1.3 本文主要工作
    1.4 論文組織結(jié)構(gòu)
第2章 圖像預(yù)處理中的脈沖噪聲去除方法研究
    2.1 圖像預(yù)處理任務(wù)簡述
    2.2 多分量圖像的開關(guān)矢量排序統(tǒng)計(jì)濾波策略
    2.3 多分量圖像中的脈沖噪聲檢測(cè)
    2.4 基于鄰域噪聲特性分析的混合矢量濾波（NAHVF）方法
        2.4.1 彩色圖像中脈沖噪聲特性分析
        2.4.2 NAHVF算法構(gòu)成及原理
        2.4.3 NAHVF算法流程分析
    2.5 實(shí)驗(yàn)結(jié)果與分析
        2.5.1 測(cè)試圖像集和對(duì)比算法描述
        2.5.2 脈沖噪聲模型和濾波能力指標(biāo)
        2.5.3 實(shí)驗(yàn)結(jié)果與分析
    2.6 本章小結(jié)
第3章 特征空間中超球冠映射下的判別分析研究
    3.1 特征空間中的單位超球冠映射模型及性質(zhì)
        3.1.1 單位超球冠模型的原理
        3.1.2 單位超球冠模型的性質(zhì)分析
    3.2 值域空間中的超球冠內(nèi)積最近鄰分類器設(shè)計(jì)
    3.3 單位超球冠上的增量學(xué)習(xí)算法
    3.4 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第4章 超球冠上的自適應(yīng)概率神經(jīng)網(wǎng)絡(luò)分類器研究
    4.1 超球冠上的自適應(yīng)概率神經(jīng)網(wǎng)絡(luò)（HCPNN）模型
    4.2 HCPNN中的超球冠歸一化映射
    4.3 HCPNN中自適應(yīng)核覆蓋方法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)
    4.4 HCPNN中期望最大化算法優(yōu)化網(wǎng)絡(luò)參數(shù)
    4.5 HCPNN的算法流程及步驟
    4.6 實(shí)驗(yàn)結(jié)果對(duì)比分析
        4.6.1 HCPNN與相關(guān)分類算法對(duì)比
        4.6.2 HCPNN與其它PNN改進(jìn)算法對(duì)比
        4.6.3 實(shí)驗(yàn)參數(shù)分析
    4.7 本章小結(jié)
第5章 面向可遷移圖像識(shí)別的超球冠概率卷積神經(jīng)網(wǎng)絡(luò)研究
    5.1 卷積神經(jīng)網(wǎng)絡(luò)（CNN）的基本結(jié)構(gòu)簡述
    5.2 卷積層中特征映射的泛化能力及遷移特性分析
    5.3 超球冠概率卷積神經(jīng)網(wǎng)絡(luò)（HCP-CNN）模型
        5.3.1 面向可遷移圖像識(shí)別的HCP-CNN整體結(jié)構(gòu)
        5.3.2 HCP-CNN中卷積特征映射器（CFM）的訓(xùn)練方法
        5.3.3 HCP-CNN中分類器的訓(xùn)練方法
    5.4 實(shí)驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 研究展望
參考文獻(xiàn)
附錄A
附錄B
致謝
攻讀博士學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]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(jì)算機(jī)工程. 2017(03)
[2]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[3]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[4]值域空間超球面上的判別分析[J]. 蒲莉娟,謝維信,裴繼紅.  信號(hào)處理. 2013(08)
[5]一種基于空間距離加權(quán)的自適應(yīng)矢量中值濾波器[J]. 金良海,李德華.  中國圖象圖形學(xué)報(bào). 2007(06)



本文編號(hào)：3612754