近年來,隨著CPU,內(nèi)存等硬件設(shè)備的快速發(fā)展,模式識(shí)別、圖像處理和計(jì)算機(jī)視覺等領(lǐng)域面臨數(shù)據(jù)維數(shù)越來越大,數(shù)據(jù)處理時(shí)間越來越長等問題。稀疏表示因其在解決數(shù)據(jù)量過大的問題上有很大優(yōu)勢而受到很多學(xué)者關(guān)注,而且經(jīng)過稀疏表示處理的數(shù)據(jù)樣本對(duì)噪聲具有很強(qiáng)的魯棒性,對(duì)后續(xù)的分類精度提升起到很大作用。本文主要研究將稀疏表示方法運(yùn)用在降維算法,特征提取算法等圖像處理算法上,并且通過大量實(shí)驗(yàn)驗(yàn)證了本文提出算法的有效性,主要的工作包括:(1)特征提取算法通常只單獨(dú)用到了數(shù)據(jù)的局部結(jié)構(gòu)或者整體結(jié)構(gòu),這樣將得不到全局最優(yōu)投影矩陣,且投影矩陣不具備很好的可解釋性。為此,本文提出了一種基于鄰域圖的低秩投影學(xué)習(xí)算法。該算法通過在數(shù)據(jù)的重構(gòu)殘差上施加圖約束來保持?jǐn)?shù)據(jù)的局部結(jié)構(gòu),同時(shí)引入低秩項(xiàng)來保持整體結(jié)構(gòu);算法利用L_2,1范數(shù)行稀疏的性質(zhì)對(duì)投影矩陣進(jìn)行約束,這樣可以剔除冗余特征,提高投影矩陣的可解釋性;并且算法引入噪聲稀疏項(xiàng)來減弱樣本本身存在噪聲的干擾。模型采用交替迭代方法求解,在多個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明該算法能有效地提高分類精度。(2)局部線性嵌入作為經(jīng)典的數(shù)據(jù)降維算法已應(yīng)用于圖像處理領(lǐng)域,但...

【文章頁數(shù)】：53 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 相關(guān)圖像數(shù)據(jù)集簡介
    1.4 主要研究內(nèi)容及文章結(jié)構(gòu)
第2章 相關(guān)算法概述
    2.1 流形學(xué)習(xí)相關(guān)算法
        2.1.1 局部線性嵌入算法
        2.1.2 局部保持投影算法
    2.2 表示性學(xué)習(xí)相關(guān)算法
        2.2.1 低秩表示及相關(guān)算法
        2.2.2 稀疏表示
    2.3 其他相關(guān)算法
        2.3.1 主成分分析
        2.3.2 自步學(xué)習(xí)
    2.4 分類算法
        2.4.1 K近鄰算法
    2.5 本章小結(jié)
第3章 基于鄰域圖的低秩投影學(xué)習(xí)
    3.1 引言
    3.2 算法引入
    3.3 實(shí)驗(yàn)結(jié)果分析
        3.3.1 數(shù)據(jù)維度對(duì)識(shí)別率的影響
        3.3.2 樣本數(shù)對(duì)識(shí)別率的影響
        3.3.3 收斂性實(shí)驗(yàn)及參數(shù)分析
    3.4 本章小結(jié)
第4章 基于自步學(xué)習(xí)的魯棒稀疏嵌入算法
    4.1 引言
    4.2 算法引入
    4.3 實(shí)驗(yàn)與分析
        4.3.1 數(shù)據(jù)集預(yù)處理
        4.3.2 實(shí)驗(yàn)結(jié)果分析
        4.3.3 參數(shù)設(shè)置
    4.4 本章小結(jié)
第5章 基于局部保持投影的魯棒稀疏子空間學(xué)習(xí)
    5.1 引言
    5.2 算法引入
    5.3 實(shí)驗(yàn)結(jié)果分析
        5.3.1 數(shù)據(jù)集
        5.3.2 實(shí)驗(yàn)分析
        5.3.3 參數(shù)分析
    5.4 本章小結(jié)
總結(jié)與展望
    主要結(jié)論
    展望
致謝
參考文獻(xiàn)
附錄 :作者在攻讀碩士期間發(fā)表的論文



本文編號(hào)：3762090