計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)中無處不在的大型、復(fù)雜的高維數(shù)據(jù)使得子空間聚類問題應(yīng)運(yùn)而生,其目的是將數(shù)據(jù)分割成若干低維子空間。通過利用相對有限的已知標(biāo)簽數(shù)據(jù)和充足的未知標(biāo)簽數(shù)據(jù),使得半監(jiān)督子空間聚類更加有效、實(shí)用并且更加流行。對于準(zhǔn)確的半監(jiān)督子空間聚類,標(biāo)簽信息應(yīng)該充分地用來預(yù)測未知標(biāo)簽。因此在半監(jiān)督子空間聚類中,最重要的是如何充分利用已知的標(biāo)簽信息來推斷未知的標(biāo)簽。在這一工作中,我們提出了一個(gè)新的包含預(yù)測標(biāo)簽矩陣和相似度矩陣的正則項(xiàng)來保證相似度矩陣的類內(nèi)一致性和聚類標(biāo)簽的類間區(qū)別性。我們將其與現(xiàn)有方法中的流形光滑項(xiàng)和高斯場以及調(diào)和函數(shù)法相結(jié)合,為半監(jiān)督子空間聚類提供了一個(gè)新的統(tǒng)一優(yōu)化框架。分析表明新提出的方法可以充分地結(jié)合相似度矩陣和標(biāo)簽矩陣使其相互指引并且具有類內(nèi)一致性和類間區(qū)別性。此外,線性回歸作為最重要的機(jī)器學(xué)習(xí)技術(shù)之一,通�？梢詫D像特征映射為連續(xù)或離散的值。因此,在第三章工作的基礎(chǔ)上,我們在學(xué)習(xí)相似度矩陣的過程中學(xué)習(xí)了一個(gè)類似于分類器的線性回歸映射,其可以將相似度矩陣轉(zhuǎn)化為標(biāo)簽矩陣。這樣既保證了相似度矩陣的類內(nèi)一致性和標(biāo)簽的類間區(qū)別性,同時(shí)也可以學(xué)習(xí)一個(gè)線性映射將相似度矩陣轉(zhuǎn)換為標(biāo)簽... 

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 半監(jiān)督子空間聚類研究背景
    1.2 半監(jiān)督子空間聚類研究現(xiàn)狀
    1.3 本文內(nèi)容安排
第二章 子空間聚類方法介紹
    2.1 基礎(chǔ)理論
        2.1.1 矩陣論相關(guān)知識(shí)
        2.1.2 線性回歸
    2.2 經(jīng)典的無監(jiān)督子空間聚類方法
        2.2.1 稀疏子空間聚類方法
        2.2.2 低秩表示模型
    2.3 相關(guān)的半監(jiān)督子空間聚類方法
        2.3.1 兩階段半監(jiān)督子空間聚類方法
        2.3.2 統(tǒng)一框架的半監(jiān)督子空間聚類方法
    2.4 算法性能評價(jià)指標(biāo)
第三章 區(qū)別性和一致性的半監(jiān)督子空間聚類模型
    3.1 引言
    3.2 區(qū)別性和一致性的半監(jiān)督子空間聚類模型
        3.2.1 模型的建立
        3.2.2 模型的求解
        3.2.3 算法的復(fù)雜度分析
    3.3 仿真實(shí)驗(yàn)及分析
        3.3.1 在Extended Yale B數(shù)據(jù)庫上的仿真實(shí)驗(yàn)
        3.3.2 在Yale數(shù)據(jù)庫上的仿真實(shí)驗(yàn)
        3.3.3 在COIL20數(shù)據(jù)庫上的仿真實(shí)驗(yàn)
        3.3.4 在ORL數(shù)據(jù)庫上的仿真實(shí)驗(yàn)
    3.4 本章小結(jié)
第四章 基于線性回歸的區(qū)別性和一致性半監(jiān)督子空間聚類
    4.1 相關(guān)工作
    4.2 基于線性回歸的區(qū)別性和一致性半監(jiān)督子空間聚類
        4.2.1 模型的建立
        4.2.2 模型的求解
    4.3 仿真實(shí)驗(yàn)及分析
        4.3.1 在Extended Yale B數(shù)據(jù)庫上的仿真實(shí)驗(yàn)
        4.3.2 在Yale數(shù)據(jù)庫上的仿真實(shí)驗(yàn)
        4.3.3 在COIL20數(shù)據(jù)庫上的仿真實(shí)驗(yàn)
        4.3.4 在ORL數(shù)據(jù)庫上的仿真實(shí)驗(yàn)
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文主要工作
    5.2 相關(guān)工作展望
參考文獻(xiàn)
致謝
作者簡介


【參考文獻(xiàn)】：
期刊論文
[1]稀疏子空間聚類綜述[J]. 王衛(wèi)衛(wèi),李小平,馮象初,王斯琪.  自動(dòng)化學(xué)報(bào). 2015(08)
[2]圖像分割的加權(quán)稀疏子空間聚類方法[J]. 李濤,王衛(wèi)衛(wèi),翟棟,賈西西.  系統(tǒng)工程與電子技術(shù). 2014(03)
[3]非凸低秩稀疏約束的圖像超像素分割方法[J]. 張文娟,馮象初.  西安電子科技大學(xué)學(xué)報(bào). 2013(05)
[4]譜聚類算法綜述[J]. 蔡曉妍,戴冠中,楊黎斌.  計(jì)算機(jī)科學(xué). 2008(07)



本文編號：3692886