發(fā)布時間：2023-03-13 07:56

　　近年來,隨著CPU,內存等硬件設備的快速發(fā)展,模式識別、圖像處理和計算機視覺等領域面臨數(shù)據(jù)維數(shù)越來越大,數(shù)據(jù)處理時間越來越長等問題。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)勢而受到很多學者關注,而且經過稀疏表示處理的數(shù)據(jù)樣本對噪聲具有很強的魯棒性,對后續(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,并且通過大量實驗驗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用到了數(shù)據(jù)的局部結構或者整體結構,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習算法。該算法通過在數(shù)據(jù)的重構殘差上施加圖約束來保持數(shù)據(jù)的局部結構,同時引入低秩項來保持整體結構;算法利用L_2,1范數(shù)行稀疏的性質對投影矩陣進行約束,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,在多個數(shù)據(jù)集上的實驗結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典的數(shù)據(jù)降維算法已應用于圖像處理領域,但...

【文章頁數(shù)】：53 頁

【學位級別】：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 國內外研究現(xiàn)狀
    1.3 相關圖像數(shù)據(jù)集簡介
    1.4 主要研究內容及文章結構
第2章 相關算法概述
    2.1 流形學習相關算法
        2.1.1 局部線性嵌入算法
        2.1.2 局部保持投影算法
    2.2 表示性學習相關算法
        2.2.1 低秩表示及相關算法
        2.2.2 稀疏表示
    2.3 其他相關算法
        2.3.1 主成分分析
        2.3.2 自步學習
    2.4 分類算法
        2.4.1 K近鄰算法
    2.5 本章小結
第3章 基于鄰域圖的低秩投影學習
    3.1 引言
    3.2 算法引入
    3.3 實驗結果分析
        3.3.1 數(shù)據(jù)維度對識別率的影響
        3.3.2 樣本數(shù)對識別率的影響
        3.3.3 收斂性實驗及參數(shù)分析
    3.4 本章小結
第4章 基于自步學習的魯棒稀疏嵌入算法
    4.1 引言
    4.2 算法引入
    4.3 實驗與分析
        4.3.1 數(shù)據(jù)集預處理
        4.3.2 實驗結果分析
        4.3.3 參數(shù)設置
    4.4 本章小結
第5章 基于局部保持投影的魯棒稀疏子空間學習
    5.1 引言
    5.2 算法引入
    5.3 實驗結果分析
        5.3.1 數(shù)據(jù)集
        5.3.2 實驗分析
        5.3.3 參數(shù)分析
    5.4 本章小結
總結與展望
    主要結論
    展望
致謝
參考文獻
附錄 :作者在攻讀碩士期間發(fā)表的論文



本文編號：3762090