【摘要】：機器學習技術在IT領域特別是大數(shù)據(jù)處理中具有重要作用。機器學習技術通過對已有數(shù)據(jù)的學習不斷進化分類器,提高對新數(shù)據(jù)的分類能力。稀疏表示與集成學習能夠有效的解決圖像分類問題。稀疏表示分類器通常是通過計算原始數(shù)據(jù)的重構殘差的l2范數(shù)進行有效分類。在復雜情況下,分類器判別的錯誤可能是由于原始數(shù)據(jù)對各類所產(chǎn)生的殘差向量的l2范數(shù)并不存在明顯的差別。集成學習分類器具有分類準確性高、分類性能穩(wěn)定的優(yōu)點。集成分類器的分類性能不僅取決于基分類器,還取決于訓練樣本集。本文提出了稀疏表示重構殘差的模型,用殘差作為分類的特征,研究多分類器集成的分類方法。采用稀疏表示重構殘差有效的解決了信號稀疏表示的不穩(wěn)定性。信號的稀疏表示重構殘差集作為集成學習器的輸入樣本集,提高了集成分類器的分類正確率。用MNIST數(shù)據(jù)庫數(shù)據(jù)進行了仿真研究,結果表明用殘差特征進行分類的正確性優(yōu)于其他方法,并且能夠很好的識別部分遮蔽的圖像。此外,在小訓練樣本集上,同樣具有較好分類效果。稀疏表示的稀疏性與字典學習技術密切相關。通常所采用過完備字典不能對樣本進行合適的稀疏表示。本文通過在過完備字典中加入KSVD算法達到對稀疏表示重構殘差的分類學習方法的進一步優(yōu)化。KSVD算法是目前主流的一種字典優(yōu)化算法,實驗表明,在稀疏表示字典的生成中加入KSVD算法,分類性能得到的進一步的提升。
【學位授予單位】：南京大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41;TP181

【參考文獻】

相關期刊論文 前10條

1 張潤;王永濱;;機器學習及其算法和發(fā)展研究[J];中國傳媒大學學報(自然科學版);2016年02期

2 呂高煥;呂文濤;;基于訓練字典優(yōu)化測量矩陣的SAR圖像壓縮算法[J];太赫茲科學與電子信息學報;2015年06期

3 朱軍;胡文波;;貝葉斯機器學習前沿進展綜述[J];計算機研究與發(fā)展;2015年01期

4 熊承義;汪淑賢;高志榮;;基于字典優(yōu)化的稀疏表示人臉識別[J];中南民族大學學報(自然科學版);2014年02期

5 張立朝;畢篤彥;查宇飛;黃宏圖;孫超;;基于二值隨機森林的目標跟蹤算法[J];計算機應用研究;2014年05期

6 徐文強;高以成;周煜坤;;基于稀疏表示的多尺度目標跟蹤算法[J];計算機應用;2013年S2期

7 李欣海;;隨機森林模型在分類與回歸分析中的應用[J];應用昆蟲學報;2013年04期

8 史郡;王曉華;;基于改進K-SVD字典學習的超分辨率圖像重構[J];電子學報;2013年05期

9 宋相法;焦李成;;基于稀疏編碼和集成學習的多示例多標記圖像分類方法[J];電子與信息學報;2013年03期

10 陳波;詹永照;成科揚;;基于字典優(yōu)化的稀疏表示的視頻鏡頭分類[J];計算機應用研究;2012年06期

，

本文編號：2556964