發(fā)布時間：2020-06-20 17:57

【摘要】：近年來,圖半監(jiān)督學(xué)習(xí)由于其較好的分類效果引起了大多數(shù)研究人員的廣泛關(guān)注,它包括構(gòu)建關(guān)聯(lián)矩陣和預(yù)測無標(biāo)簽樣本的標(biāo)簽兩個步驟,成對樣本之間的關(guān)聯(lián)可有效地預(yù)測無標(biāo)簽樣本的標(biāo)簽。基于此思想,本文提出了兩種自學(xué)習(xí)關(guān)聯(lián)矩陣的半監(jiān)督分類方法。本碩士論文具體研究內(nèi)容與貢獻(xiàn)歸納如下:(1)提出基于_1范數(shù)自學(xué)習(xí)關(guān)聯(lián)矩陣的半監(jiān)督分類方法,具體思想為:將樣本的稀疏自表示問題和拉普拉斯正則化最小二乘分類器有效地融合在一起,建立了自學(xué)的拉普拉斯正則化最小二乘(Self-taught Laplacian Regularized Least Square,ST-LapRLS)模型。在學(xué)習(xí)的過程中可實現(xiàn)樣本關(guān)聯(lián)矩陣和拉普拉斯正則化最小二乘分類器的同時優(yōu)化及相互改善。我們方法的有效性在真實數(shù)據(jù)集上得到充分驗證。(2)基于前面的工作,提出了基于核范數(shù)自學(xué)習(xí)關(guān)聯(lián)矩陣的半監(jiān)督分類方法。此方法通過拉普拉斯正則化最小二乘分類器獲得的軟標(biāo)簽更適用于半監(jiān)督流形假設(shè)。該方法在四個人臉數(shù)據(jù)集上表現(xiàn)出較好的分類性能。
【學(xué)位授予單位】：溫州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP181
【圖文】：

找出最小權(quán)重和的邊集并將“源”到“阱學(xué)習(xí)的目的。這個過程可由 Max-flow 算法來實現(xiàn)與“阱”相連的數(shù)據(jù)來獲得，正例通過標(biāo)明所有圖 2-1 所示。數(shù)學(xué)表述為：2 2}1 , 11( ( )) ( ( ) ( )) .2l l ui i ij i ji i jy f x w f x f x+ + 1,1} 樣本數(shù)據(jù)ix 的真實標(biāo)注值。第一項為損失函進(jìn)行懲罰，其中無窮大權(quán)重使得估計樣本數(shù)據(jù)，其中iy 和 ( )if x 分別為樣本數(shù)據(jù)ix 的真實標(biāo)簽失函數(shù)21( ( )) 0li ii y f x，否則等于 。其次具有相似的類別標(biāo)簽，促使圖上節(jié)點(diǎn)的標(biāo)簽盡可

個像素的灰度值均在 0 和 255 之間。其部分圖像示例如圖 3-1圖 3-1 ORL 人臉數(shù)據(jù)集部分圖像示例Figure 3-1 ORLface dataset partial image example臉數(shù)據(jù)集總共 165 幅圖像，包含 15 人，每人 11 幅圖像，這照和姿勢的變化，將所有圖像歸一化為 32×32 像素，每個像0 和 255 之間。其部分圖像示例如圖 3-2 所示。第三章 基于1范數(shù)自學(xué)習(xí)關(guān)聯(lián)矩陣的半監(jiān)督分類

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 程希平;遙感數(shù)字圖像的比值處理及其在監(jiān)督分類中的應(yīng)用[J];地球科學(xué);1988年01期

2 尚耐麗;王驍力;沈濵霄;盧玉領(lǐng);馬曉普;蘭義華;;半監(jiān)督分類方法的研究[J];計算機(jī)應(yīng)用與軟件;2015年11期

3 單中南;翁小清;馬超紅;;基于2DSVD的多變量時間序列半監(jiān)督分類[J];計算機(jī)系統(tǒng)應(yīng)用;2019年11期

4 熊彪;江萬壽;李樂林;;基于高斯混合模型的遙感影像半監(jiān)督分類[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2011年01期

5 宋爽;李宏偉;;圖像監(jiān)督分類[J];電腦編程技巧與維護(hù);2007年01期

6 丁莉莉;安瓦爾·買買提明;;基于半監(jiān)督分類烏魯木齊市城鎮(zhèn)用地格局演變分析[J];新疆師范大學(xué)學(xué)報(自然科學(xué)版);2016年03期

7 趙建華;;一種基于交叉驗證思想的半監(jiān)督分類方法[J];西南科技大學(xué)學(xué)報;2014年01期

8 羅琴;田錚;;高光譜圖像無監(jiān)督分類的非線性特征提取器[J];宇航學(xué)報;2007年05期

9 張森;馬迪;王滔;邱海英;董彬;;基于監(jiān)督分類的土地利用遙感影像提取方法研究——以武漢市為例[J];綠色科技;2018年14期

10 巢寧佳;;遙感影像監(jiān)督分類[J];江西測繪;2007年04期

相關(guān)會議論文 前10條

1 王強(qiáng);孫洪;;基于支持向量機(jī)的多極化SAR圖像監(jiān)督分類[A];第十二屆全國信號處理學(xué)術(shù)年會（CCSP-2005）論文集[C];2005年

2 楊麗娜;楊允凌;郝巨飛;李智峰;;基于HJ-B的遙感圖像監(jiān)督分類方法的比較研究——以監(jiān)測2011-2012年度邢臺市冬小麥種植面積為例[A];S10 氣象與現(xiàn)代農(nóng)業(yè)發(fā)展[C];2012年

3 陳蕓芝;陳崇成;汪小欽;凌飛龍;;多源數(shù)據(jù)在森林資源動態(tài)變化監(jiān)測中的應(yīng)用[A];第十四屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2003年

4 遇寶燕;李娟;田如意;;基于eCognition規(guī)則集模式的城市建筑物提取方法研究[A];第十八屆華東六省一市測繪學(xué)會學(xué)術(shù)交流會江蘇優(yōu)秀論文集[C];2016年

5 何予霄;Zhou jiang;;基于LandSat8 OLI數(shù)據(jù)對四川省阿壩州汶川縣地物分類精度比較[A];第十五屆全國數(shù)學(xué)地質(zhì)與地學(xué)信息學(xué)術(shù)研討會論文集[C];2016年

6 施擁軍;周國模;徐文兵;;多源遙感影像林分類型分類精度研究[A];首屆中國林業(yè)學(xué)術(shù)大會論文集[C];2005年

7 成思敏;;基于ArcGIS與ENVI對四川省成都市1990年土地利用分類[A];科技研究——2015科技產(chǎn)業(yè)發(fā)展與建設(shè)成就研討會論文集（下）[C];2015年

8 劉詠梅;溫仲明;楊勤科;;陜北黃土丘陵地區(qū)坡耕地遙感分類方法研究[A];認(rèn)識地理過程 關(guān)注人類家園——中國地理學(xué)會2003年學(xué)術(shù)年會文集[C];2003年

9 陳建裕;毛志華;吳均平;潘德爐;;基于光譜數(shù)據(jù)的分區(qū)多階段混合分類方法提取特定地物[A];成像光譜技術(shù)與應(yīng)用研討會論文集[C];2004年

10 劉鳳仙;王榮靜;張瑋;;華北地區(qū)基于MODIS的地表覆蓋監(jiān)測方法研究——以建筑用地為例[A];農(nóng)業(yè)工程科技創(chuàng)新與建設(shè)現(xiàn)代農(nóng)業(yè)——2005年中國農(nóng)業(yè)工程學(xué)會學(xué)術(shù)年會論文集第三分冊[C];2005年

相關(guān)博士學(xué)位論文 前10條

1 可婷;部分監(jiān)督分類問題的研究[D];中國農(nóng)業(yè)大學(xué);2014年

2 黃東山;特征選擇及半監(jiān)督分類方法研究[D];華中科技大學(xué);2011年

3 石子燁;網(wǎng)絡(luò)數(shù)據(jù)的動態(tài)半監(jiān)督分類算法[D];清華大學(xué);2013年

4 馬曉瑞;基于深度學(xué)習(xí)的高光譜影像分類方法研究[D];大連理工大學(xué);2017年

5 黃紅兵;層次流形學(xué)習(xí)及其在監(jiān)督分類中的應(yīng)用[D];上海交通大學(xué);2015年

6 孫艷麗;聯(lián)合豐度信息與空譜特征的高光譜影像分類研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所);2017年

7 蔣婷;學(xué)科領(lǐng)域本體學(xué)習(xí)及學(xué)術(shù)資源語義標(biāo)注研究[D];南京大學(xué);2017年

8 薛朝輝;高光譜遙感影像稀疏圖嵌入分類研究[D];南京大學(xué);2015年

9 戚鵬程;基于GIS的隴西黃土高原落葉闊葉林潛在分布及潛在凈初級生產(chǎn)力的模擬研究[D];蘭州大學(xué);2009年

10 王春陽;基于信息熵的自訓(xùn)練半監(jiān)督高光譜遙感影像分類研究[D];河南理工大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 張磊;自學(xué)習(xí)關(guān)聯(lián)矩陣的半監(jiān)督分類研究[D];溫州大學(xué);2019年

2 陳倩;標(biāo)簽帶噪聲數(shù)據(jù)的重加權(quán)半監(jiān)督分類方法[D];煙臺大學(xué);2019年

3 胡冬翠;高光譜遙感圖像半監(jiān)督分類研究[D];遼寧師范大學(xué);2019年

4 謝波;基于聯(lián)合正則化半監(jiān)督分類方法的研究[D];西南交通大學(xué);2018年

5 陳展;基于自步學(xué)習(xí)的對標(biāo)簽噪聲穩(wěn)健的半監(jiān)督分類方法研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2017年

6 藺洪帥;面向大規(guī)模圖像的半監(jiān)督分類方法研究及應(yīng)用[D];陜西師范大學(xué);2016年

7 童佳楠;基于圖的半監(jiān)督分類方法在遙感圖像中的應(yīng)用研究[D];陜西師范大學(xué);2016年

8 王藝愷;基于圖的極化SAR影像半監(jiān)督分類[D];西安電子科技大學(xué);2015年

9 陸廣泉;半監(jiān)督分類技術(shù)及其算法研究[D];廣西師范大學(xué);2011年

10 賈敏;腦機(jī)接口中半監(jiān)督分類方法研究[D];燕山大學(xué);2012年

本文編號：2722762