隨著人工智能技術(shù)的發(fā)展,字典學(xué)習(xí)已成為機器學(xué)習(xí)和模式識別領(lǐng)域的一大熱點問題。傳統(tǒng)地說,字典學(xué)習(xí)主要分為兩類:有監(jiān)督字典學(xué)習(xí)和半監(jiān)督字典學(xué)習(xí)。前者的分類結(jié)果取決于有標(biāo)簽樣本的個數(shù);后者未充分利用樣本之間內(nèi)在的結(jié)構(gòu)信息,從而導(dǎo)致其圖像分類效果未達到最佳。為了解決以上問題,本碩士論文完成了三項工作:1.在半監(jiān)督學(xué)習(xí)框架下,基于原子和對應(yīng)的稀疏編碼構(gòu)建拉普拉斯圖結(jié)構(gòu)并將其嵌入到字典學(xué)習(xí)框架中,從而提出了一種基于原子圖正則化的半監(jiān)督字典學(xué)習(xí)算法,使得圖拉普拉斯和字典在學(xué)習(xí)迭代期間相互促進;2.基于以上模型增加一條能夠“反饋”來自無標(biāo)簽樣本的預(yù)測標(biāo)簽信息到字典學(xué)習(xí)階段的路徑,使得樣本的流形結(jié)構(gòu)和無標(biāo)簽樣本的預(yù)測標(biāo)簽信息都可以被及時地反饋和融入到學(xué)習(xí)進程中,故稱其為自學(xué)習(xí)的基于原子圖正則化的半監(jiān)督字典學(xué)習(xí)算法;3.基于前兩項工作,通過對原有模型中的稀疏系數(shù)矩陣施加非負約束,提出了一種非負自學(xué)習(xí)的基于原子圖正則化的半監(jiān)督字典學(xué)習(xí)算法。經(jīng)過在廣泛的數(shù)據(jù)集上進行實驗,并與現(xiàn)有的字典學(xué)習(xí)算法對比,本文所提出的三種算法都取得了良好的分類效果。

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究的意義
        1.1.1 理論意義
        1.1.2 實際意義
    1.2 課題研究現(xiàn)狀
    1.3 文章內(nèi)容與結(jié)構(gòu)安排
第二章 字典學(xué)習(xí)經(jīng)典算法
    2.1 字典學(xué)習(xí)概述
    2.2 有監(jiān)督字典學(xué)習(xí)算法
    2.3 半監(jiān)督字典學(xué)習(xí)算法
    2.4 本章小結(jié)
第三章 基于原子圖正則化的半監(jiān)督字典學(xué)習(xí)
    3.1 研究動機
    3.2 基于原子圖正則化的半監(jiān)督字典學(xué)習(xí)模型
        3.2.1 模型解釋
        3.2.2 模型優(yōu)化
    3.3 算法概要及分析
        3.3.1 算法概要
        3.3.2 算法分析
    3.4 分類預(yù)測方案
    3.5 實驗分析
        3.5.1 實驗基本設(shè)置
        3.5.2 實驗分類結(jié)果
        3.5.3 優(yōu)化進程分析
    3.6 本章小結(jié)
第四章 自學(xué)習(xí)的基于原子圖正則化的半監(jiān)督字典學(xué)習(xí)
    4.1 研究動機
    4.2 算法描述
    4.3 實驗結(jié)果及分析
        4.3.1 實驗基本設(shè)置
        4.3.2 參數(shù)敏感度分析
        4.3.3 實驗分類效果
    4.4 本章小結(jié)
第五章 非負自學(xué)習(xí)的基于原子圖正則化的半監(jiān)督字典學(xué)習(xí)
    5.1 研究動機
    5.2 模型介紹
    5.3 模型優(yōu)化
    5.4 實驗效果及分析
        5.4.1 圖像分類
        5.4.2 行為識別
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
參考文獻
附錄 A
致謝
攻讀碩士期間的科研成果



本文編號：3797979