本文關鍵詞：多視角局部子空間學習方法研究

  更多相關文章： 多視角學習 子空間學習 圖像檢索

【摘要】：隨著互聯(lián)網(wǎng)技術的發(fā)展,子空間學習已經(jīng)成為機器學習、數(shù)據(jù)挖掘、模式識別等領域的研究熱點。高維數(shù)據(jù)難以使模型得到理想的學習效果。子空間學習旨在通過計算高維空間中樣本間的關系,并保持該關系將樣本映射到低維子空間中。由于數(shù)據(jù)的采集方式不同和多樣化的特征提取算法,描述數(shù)據(jù)的角度逐漸增多。不同特征在機器學習和數(shù)據(jù)挖掘模型中學習效果也不盡相同。使用單一特征的模型很難得到較好的效果。多視角學習是一種同時利用多個視角下的特征提升模型效果的方法。本文針對多視角子空間學習方法展開研究,并提出了一種多視角的局部子空間學習算法以提升子空間學習的效果,本文的主要工作如下：(1)敘述了多視角學習的背景,意義和國內外研究現(xiàn)狀。對多視角學習的三類主要方法：協(xié)同訓練方法,多核學習方法和子空間學習方法的算法思想和主要進展進行了介紹。(2)對子空間學習和多視角學習的主要技術進行了詳細的介紹。重點闡述了本文中所涉及到的局部線性嵌入、拉普拉斯映射和多視角學習中的協(xié)同訓練多視角譜聚類和協(xié)同正則化多視角譜聚類。(3)局部線性嵌入算法是一種經(jīng)典的子空間學習算法,但是該算法容易受噪聲數(shù)據(jù)的影響,此外鄰域參數(shù)的選取對算法的結果也有較大的影響。針對該問題,本文提出了一種魯棒的局部線性嵌入方法。該算法通過使用L2范數(shù)對相似度矩陣的復雜性進行懲罰并利用L1范數(shù)保證矩陣的稀疏性實現(xiàn)對相似度矩陣的自適應求解。本文同時考慮多視角學習的一致性和互補性原則,通過數(shù)據(jù)間的一致性對噪聲數(shù)據(jù)產(chǎn)生的影響進行修正,獲得統(tǒng)一的魯棒相似度矩陣,并使用該矩陣進行子空間學習,提升子空間學習的效果。本文給出了多視角局部子空間學習算法的迭代解法,并利用輔助函數(shù)法對解法的正確性和收斂性進行證明。本文在手寫體,人臉,物體等多種數(shù)據(jù)集中使用多視角局部子空間學習與其他多視角等算法進行對比,并給出了實驗分析以證明多視角局部子空間學習的效果。(4)圖像檢索是學術界研究的熱點問題之一,特征提取的效果對圖像檢索系統(tǒng)尤為重要,由于互聯(lián)網(wǎng)圖像的復雜性和多樣性,單一特征難以取得較好的效果,本文使用多視角子空間學習技術對多種圖像特征進行融合并應用到圖像檢索中,實驗表明本文的算法有著較好的效果。
【關鍵詞】：多視角學習 子空間學習 圖像檢索
【學位授予單位】：大連理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41;TP181
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-15
• 1.1 研究背景及意義9-10
• 1.2 國內外研究現(xiàn)狀10-13
• 1.2.1 協(xié)同訓練方法10-11
• 1.2.2 多核學習方法11-12
• 1.2.3 子空間學習方法12-13
• 1.3 本文的研究內容和文章結構安排13-15
• 1.3.1 本文的研究內容13-14
• 1.3.2 本文的章節(jié)安排14-15
• 2 相關算法及定義15-25
• 2.1 子空間學習算法15-19
• 2.1.1 局部線性嵌入15-17
• 2.1.2 拉普拉斯映射17-19
• 2.2 多視角學習算法19-25
• 2.2.1 協(xié)同訓練多視角譜聚類19-21
• 2.2.2 協(xié)同正則化多視角譜聚類21-25
• 3 多視角局部子空間學習算法25-53
• 3.1 魯棒局部子空間學習25-26
• 3.2 多視角局部子空間學習26-31
• 3.3 優(yōu)化算法與證明31-35
• 3.4 實驗結果與分析35-53
• 3.4.1 實驗框架及數(shù)據(jù)集介紹35-38
• 3.4.2 對比算法38-39
• 3.4.3 評價指標39-41
• 3.4.4 實驗結果及分析41-53
• 4 多視角圖像檢索53-64
• 4.1 圖像檢索框架53-54
• 4.2 底層特征提取54-57
• 4.2.1 顏色特征54-56
• 4.2.2 紋理特征56
• 4.2.3 形狀特征56-57
• 4.3 相似性度量方法57
• 4.4 多視角圖像檢索實驗57-64
• 結論64-65
• 參考文獻65-69
• 攻讀碩士學位期間發(fā)表學術論文情況69-70
• 致謝70-71

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 鄒士新;張妍;;基于子空間約束的穩(wěn)健匹配場定位[J];計算機仿真;2010年01期

2 何大治;謝步瀛;;基于子空間模型的人員疏散路徑選擇[J];東華大學學報(自然科學版);2007年03期

3 錢誠;張三元;;適用于目標跟蹤的加權增量子空間學習算法[J];浙江大學學報(工學版);2011年12期

4 李勇周;羅大庸;劉少強;;空間光滑且完整的子空間學習算法[J];模式識別與人工智能;2009年03期

5 閔鋒;魯統(tǒng)偉;鄒旭;;自適應子空間選擇方法研究[J];計算機技術與發(fā)展;2013年10期

6 宗瑜;江賀;張彥春;李明楚;;一種可信子空間標志方法[J];計算機應用研究;2009年10期

7 李有明，保錚;基于子空間迭代的快速高分辨技術[J];電子學報;1994年02期

8 安志娟;蘇洪濤;包志強;保錚;;一種新的基于Krylov子空間的快速子空間分解[J];系統(tǒng)工程與電子技術;2009年01期

9 劉楓;李楊;王文昌;;簡化的基于輔助矢量基的子空間DOA算法[J];電子信息對抗技術;2011年02期

10 盧娟;劉飛;;基于規(guī)范變量分析的子空間辨識方法及應用[J];計算機工程與應用;2007年11期

中國重要會議論文全文數(shù)據(jù)庫 前5條

1 姜偉;任喜軍;周正威;郭光燦;;局域不可區(qū)分的子空間[A];第十三屆全國量子光學學術報告會論文摘要集[C];2008年

2 周學君;;關于子空間信息準則的擾動分析[A];第九屆中國青年信息與管理學者大會論文集[C];2007年

3 張瑜;袁書娟;楊愛民;;Krylov子空間上并行預校GMRES(m)算法的研究[A];2009年全國開放式分布與并行計算機學術會議論文集(下冊)[C];2009年

4 王良;宋志杰;;一種穩(wěn)定的長線陣子空間相交方法[A];2008年全國聲學學術會議論文集[C];2008年

5 葛鵬程;李建中;張兆功;何震瀛;;一種基于勢能的快速聚類算法[A];第二十二屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2005年

中國博士學位論文全文數(shù)據(jù)庫 前6條

1 李陽;張量理論及其在陣列處理中的應用研究[D];復旦大學;2014年

2 郭海霞;典型群的幾何學在Pooling設計和壓縮感知理論上的應用[D];大連理工大學;2015年

3 張杰;有引導的低秩表示及其在數(shù)字幾何中的應用[D];大連理工大學;2015年

4 唐科威;數(shù)據(jù)的子空間與流形結構分析方法[D];大連理工大學;2015年

5 黃震華;子空間SKYLINE查詢若干關鍵問題的研究[D];復旦大學;2008年

6 龐永鋒;關于雙三角子空間格代數(shù)及其上映射的研究[D];陜西師范大學;2007年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 王剛;基于奇異線性空間的子空間碼的構造[D];中國民航大學;2015年

2 方夢琪;基于子空間技術的麻醉過程系統(tǒng)辨識與預測控制算法研究[D];北京化工大學;2015年

3 李曉麗;矩陣填充的子空間逼近法[D];太原理工大學;2016年

4 宋立娜;一個特定閉子空間上乘法算子的擬相似性和約化子空間[D];河北師范大學;2016年

5 程金旭;二維系統(tǒng)的子空間辨識算法研究及軟件開發(fā)[D];北京化工大學;2016年

6 蔡磊;多視角局部子空間學習方法研究[D];大連理工大學;2016年

7 魏木生;限制子空間的擾動及其應用[D];華東師范大學;2007年

8 淦華東;自適應子空間估計及其在目標方位跟蹤中的應用[D];西北工業(yè)大學;2005年

9 譚坤;快速子空間追蹤算法研究[D];電子科技大學;2010年

10 李帥;基于子空間分離的多模式工業(yè)過程監(jiān)測方法研究[D];東北大學;2013年

，

本文編號：872577