數(shù)據(jù)分類是數(shù)據(jù)挖掘、計算機視覺、機器學習等領(lǐng)域研究的重要內(nèi)容。其中,基于少量已知標記獲得全部數(shù)據(jù)標記的半監(jiān)督分類在機器學習領(lǐng)域又稱直推學習,是目前監(jiān)督學習的基礎(chǔ)。近年來提出的基于圖的非局部算子的離散變分方法已成為數(shù)據(jù)多分類的有效建模方法,非局部Potts模型是該類方法的基礎(chǔ)。該類模型采用與分類數(shù)目相同的標記函數(shù)劃分數(shù)據(jù)類別,并引進單純形約束以避免漏分和重分問題,計算復雜、效率較低。本文針對上述問題進行了較系統(tǒng)的研究,主要創(chuàng)新工作如下:1.提出了改進的無單純形約束的Potts模型。由于單純形約束的存在,各標記函數(shù)不再獨立。本文借助計算機視覺研究中的近年成果,用較少的標記函數(shù)設計了全部數(shù)據(jù)類型的特征函數(shù),自然滿足原單純形約束,降低了模型復雜度、減小了問題求解規(guī)模、提高了計算效率。2.提出了改進Potts模型的矢量化模型。數(shù)據(jù)多分類問題的變分模型是典型的多變量優(yōu)化問題,交替優(yōu)化是其主要方法,但多變量交替優(yōu)化不利于區(qū)域競爭。為此,本文基于多變量耦合的思想提出了改進Potts模型的矢量化模型,實現(xiàn)了多變量的同時演化,進一步提高了計算效率,并簡化了程序設計。該方法亦方便并行算法的設計。3.設計了所... 

【文章來源】：青島大學山東省

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景及其意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 無向加權(quán)圖相關(guān)理論基礎(chǔ)
        1.2.2 非局部的數(shù)據(jù)分類問題
        1.2.3 半監(jiān)督兩類數(shù)據(jù)的均衡分類
        1.2.4 圖上的數(shù)據(jù)多分類問題及其快速算法
    1.3 主要研究內(nèi)容
    1.4 章節(jié)安排
第二章 非局部變分模型的規(guī)則化方法
    2.1 變分方法與總變差模型
    2.2 應用在連續(xù)空間中的非局部算子
    2.3 連續(xù)空間中非局部的總變差模型的四種快速算法
        2.3.1 連續(xù)最大流方法
        2.3.2 對偶方法
        2.3.3 Split Bregman算法
        2.3.4 交替方向乘子方法(ADMM)
    2.4 本章小結(jié)
第三章 改進數(shù)據(jù)多分類直推學習POTTS模型及其ADMM投影算法
    3.1 多相圖像分割中的Potts模型
    3.2 圖上數(shù)據(jù)多分類問題的離散非局部變分Potts模型
        3.2.1 數(shù)據(jù)多分類問題的集合描述
        3.2.2 數(shù)據(jù)多分類問題的非局部離散變分Potts模型
    3.3 改進Potts模型及其ADMM投影(ADMM-P)算法
    3.4 數(shù)值實驗
        3.4.1 “三月”人工數(shù)據(jù)集
        3.4.2 “四月”人工數(shù)據(jù)集
        3.4.3 Waveform數(shù)據(jù)集
        3.4.4 MNIST數(shù)據(jù)集
    3.5 本章小結(jié)
第四章 改進多分類Potts模型的矢量化模型及其ADMM投影算法
    4.1 矢量化的Mumford-Shah-Potts模型
    4.2 改進Potts模型的矢量化模型及其ADMM投影算法
    4.3 數(shù)值實驗
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 今后的工作展望
參考文獻
攻讀學位期間的研究成果
致謝


【參考文獻】：
期刊論文
[1]半監(jiān)督學習方法[J]. 劉建偉,劉媛,羅雄麟.  計算機學報. 2015(08)
[2]三維圖像多相分割的變分水平集方法[J]. 潘振寬,李華,魏偉波,郭振波,張春芬.  計算機學報. 2009(12)



本文編號：3466782