隨著科技的不斷進步以及計算機性能的不斷提升,人工智能得到前所未有的發(fā)展,并滲透到生活的方方面面。每天人們的衣食住行,社會各行各業(yè)的正常運轉,都會產生海量的數(shù)據(jù),如何充分利用這些數(shù)據(jù),發(fā)掘潛在價值,成為機器學習的首要任務。隨著數(shù)據(jù)采集技術的發(fā)展,我們可獲得的數(shù)據(jù)越來越豐富,同時也越來越復雜,不免存在一些數(shù)據(jù),它們通過不同的方式表達,我們稱之為多視圖數(shù)據(jù),多視圖學習技術應用而生。多視圖數(shù)據(jù)具有兩個基本性質,即互補性和一致性,它可為后續(xù)的機器學習任務提供更加豐富的信息。但在數(shù)據(jù)采集過程中,我們可能無法獲取到數(shù)據(jù)的多個視圖,或者存在獲得的多視圖數(shù)據(jù)不完整等現(xiàn)象,如何根據(jù)已有單視圖數(shù)據(jù)構建多個視圖或者利用已有多視圖數(shù)據(jù)構建視圖,成為值得研究的話題。在實際應用中,存在一些數(shù)據(jù)具有樣本數(shù)量少維度高的特點,傳統(tǒng)的機器學習方法難以很好地學習其中的知識。通過降維算法可以提取重要特征,但同時也損失了一些信息。本文提出一種基于特征分割的多視圖構建模型(FP_MvCM),將傳統(tǒng)的降維方法與多視圖學習技術相結合,在摒除冗余信息的同時,盡可能地保留豐富的信息。在構建多視圖數(shù)據(jù)的過程中,提出一種多...

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 多視圖學習研究現(xiàn)狀
        1.2.2 生成模型研究現(xiàn)狀
        1.2.3 多視圖構建算法研究現(xiàn)狀
    1.3 本文研究的主要內容及章節(jié)安排
        1.3.1 本論文研究內容
        1.3.2 本論文章節(jié)安排
第2章 相關技術介紹
    2.1 多視圖數(shù)據(jù)的基本性質
    2.2 高維數(shù)據(jù)傳統(tǒng)降維算法
        2.2.1 特征提取方法概述
        2.2.2 特征選擇方法概述
    2.3 多視圖表示學習概述
    2.4 多視圖卷積神經網絡
    2.5 本章小結
第3章 基于特征分割的多視圖構建模型
    3.1 多種特征選擇算法
        3.1.1 Laplacian Score算法
        3.1.2 SPEC特征選擇
        3.1.3 Multi-clustering特征選擇
    3.2 多視圖質量評價方法
        3.2.1 希爾伯特-施密特獨立性標準
        3.2.2 協(xié)同正則化
    3.3 多視圖構建模型設計思路
    3.4 本章小結
第4章 基于自編碼網絡的多視圖構建模型
    4.1 自編碼網絡
    4.2 卷積神經網絡
        4.2.1 卷積操作
        4.2.2 池化操作
        4.2.3 Padding規(guī)則
        4.2.4 反卷積
        4.2.5 反池化
    4.3 Unet網絡
    4.4 基于自編碼網絡的視圖構建模型
    4.5 本章小結
第5章 實驗結果分析
    5.1 基于特征分割的多視圖構建模型實驗介紹
        5.1.1 實驗數(shù)據(jù)集介紹
        5.1.2 多視圖質量評價指標
        5.1.3 FP_MvCM模型實驗結果分析
    5.2 基于自編碼網絡的多視圖構建模型實驗介紹
        5.2.1 實驗數(shù)據(jù)集介紹
        5.2.2 圖像質量評價指標
        5.2.3 MvAEM模型實驗結果分析
    5.3 本章小結
第6章 總結與展望
致謝
參考文獻
攻讀碩士學位期間發(fā)表的論文及科研成果



本文編號：3735282