現(xiàn)有的搜索引擎算法不能完整地分析用戶的查詢目的,直接影響了檢索的質(zhì)量并增加了用戶檢索的代價(jià)。為了提高圖像搜索的效率,文中提出了一種基于多核聚類算法的圖像搜索方法,通過(guò)使用最小二乘支持向量機(jī)建立用戶興趣模型,并將個(gè)性化的搜索結(jié)果返回給用戶。實(shí)驗(yàn)證明,與其他聚類算法相比,該算法的查全率和查準(zhǔn)率可分別提升了8.2%、11.42%和19.7%、26.08%,有明顯的提升效果。 

【文章來(lái)源】：山東農(nóng)業(yè)工程學(xué)院學(xué)報(bào). 2020,37(09)

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

將圖像劃分若干塊兩幅圖像

(a)原始圖像(b)Gabor特征圖圖2Gabor特征提取示意圖使用公式（13）可以計(jì)算兩幅圖像的紋理相似性：(13)其中,σ=［σ1，…，σm］,表示x2所有圖像距離的平均值，x2均值的計(jì)算使用公式（9）。3建立模型3.1基于多核動(dòng)態(tài)聚類工作流程本文算法融合多核相似性與動(dòng)態(tài)聚類，引入基于核函數(shù)的聚類方法。工作流程如下：步驟一:設(shè)定參數(shù)聚類類別數(shù)C，以及允許誤差Emax，確定初始化聚類中心Wi(k)，i=1，…，C;步驟二:采用公式（8）和公式（13），將輸入空間的特征向量映射到高維特征空間中；步驟三:第i個(gè)子類的散度矩陣計(jì)算公式如下：(14)其中(15)由于使用散度矩陣的跡度量散度矩陣大小是一種有效的方法，它在最小化類內(nèi)散度矩陣跡的同時(shí)，也最大化了類間散度矩陣跡，反映了聚集和分離程度。故求出trSi，并比較幾個(gè)子類?ài)E的大小，將跡最大的子類劃分，按照相似度準(zhǔn)則的標(biāo)準(zhǔn)進(jìn)行二次聚類。直到實(shí)現(xiàn)預(yù)定的聚類數(shù)目，這時(shí)候得到新的聚類號(hào)[8]。3.2建立用戶興趣模型3.2.1最小二乘支持向量機(jī)模型最小二乘支持向量機(jī)模型可以解決分類問(wèn)題和函數(shù)估計(jì)問(wèn)題，其數(shù)學(xué)模型的建立過(guò)程如下：設(shè)為訓(xùn)練樣本，其中，xi∈R*表示樣本向量，為被分類樣本對(duì)應(yīng)的類別標(biāo)號(hào)，n為樣本容量，將標(biāo)準(zhǔn)支持向量機(jī)中優(yōu)化問(wèn)題的約束條件由不等式改為等式，可得如下約束優(yōu)化問(wèn)題，見(jiàn)公式（16）。(16)其中，ω為超平面方向向量，φ(xi)為映射函數(shù)，ei為xi的松弛系數(shù)，γ為邊際系數(shù)。公式（16）的解可由對(duì)應(yīng)的公式（17）所示的?

實(shí)驗(yàn)結(jié)果與分析

【參考文獻(xiàn)】：
期刊論文
[1]一種基于SIFT特征權(quán)排序多圖關(guān)聯(lián)圖像搜索方法[J]. 阮威.  電子設(shè)計(jì)工程. 2019(02)
[2]自適應(yīng)Gabor特征的協(xié)同表示人臉識(shí)別算法[J]. 嚴(yán)旭東,吳錫生.  傳感器與微系統(tǒng). 2018(03)
[3]基于K-means聚類算法的數(shù)據(jù)分析模型應(yīng)用研究[J]. 沈泓,劉順.  軟件導(dǎo)刊. 2017(03)
[4]圖像搜索結(jié)果的重疊層次聚類與代表點(diǎn)展現(xiàn)[J]. 谷瑞軍,陳圣磊,陳耿,汪加才.  計(jì)算機(jī)應(yīng)用. 2012(04)
[5]基于內(nèi)容相關(guān)性挖掘的反饋式搜索引擎框架[J]. 侯越先,張鵬,于瑞國(guó).  天津大學(xué)學(xué)報(bào). 2008(08)



本文編號(hào)：3068963