本文關(guān)鍵詞：基于典型相關(guān)分析與多元化分類(lèi)器的集成學(xué)習(xí)研究

  更多相關(guān)文章： 典型相關(guān)分析 圖像分類(lèi) 多元伯努利 集成學(xué)習(xí) 車(chē)牌識(shí)別

【摘要】：在計(jì)算機(jī)視覺(jué)以及計(jì)算機(jī)圖形學(xué)研究領(lǐng)域,對(duì)自然場(chǎng)景中的事物進(jìn)行精確的分類(lèi)識(shí)別一直是該領(lǐng)域的研究熱點(diǎn)。當(dāng)前基于單分類(lèi)器的圖像分類(lèi)結(jié)果具有不穩(wěn)定性且不能平衡局部樣本特征與分類(lèi)器結(jié)果之間的關(guān)系。針對(duì)上述問(wèn)題,本論文研究利用集成學(xué)習(xí)的方法來(lái)提高分類(lèi)器分類(lèi)結(jié)果的準(zhǔn)確率。本論文通過(guò)研究非同質(zhì)分類(lèi)器學(xué)習(xí)方法的優(yōu)點(diǎn)以及局部樣本特征與分類(lèi)器分類(lèi)準(zhǔn)確率之間的關(guān)系,利用典型相關(guān)分析的原理權(quán)衡局部樣本特征在樣本分類(lèi)過(guò)程中的作用,并且結(jié)合非同質(zhì)分類(lèi)器的學(xué)習(xí)原理的差異性,實(shí)現(xiàn)差異化選擇集成。本論文主要研究?jī)?nèi)容如下:(1)分析了本課題研究的背景意義以及現(xiàn)有的集成學(xué)習(xí)相關(guān)算法。本文簡(jiǎn)要的介紹了集成學(xué)習(xí)在圖像分類(lèi)識(shí)別技術(shù)中的重要作用,以及圖像分類(lèi)技術(shù)在商業(yè)、國(guó)防等領(lǐng)域的應(yīng)用前景。其次介紹了現(xiàn)有的集成學(xué)習(xí)相關(guān)技術(shù)以及幾種特征提取的方法,以及國(guó)內(nèi)外在集成學(xué)習(xí)領(lǐng)域的研究現(xiàn)狀。隨后從邏輯回歸方面進(jìn)行闡述,深入探討現(xiàn)有的單分類(lèi)器特點(diǎn)與應(yīng)用范圍。最后介紹了幾種應(yīng)用廣泛的多分類(lèi)器集成方法,Bagging、Adaboost、Random Forest,以及他們的算法流程。(2)提出了基于局部典型相關(guān)分析的分類(lèi)器集成策略。針對(duì)傳統(tǒng)集成學(xué)習(xí)模型不能平衡局部樣本特征在分類(lèi)器分類(lèi)時(shí)所起到的作用,不能兼顧局部樣本特征與分類(lèi)器分類(lèi)結(jié)果之間的關(guān)系等問(wèn)題,本論文提出了基于典型相關(guān)分析(Canonical Correlation Analysis,CCA)的分類(lèi)器集成方法。本文通過(guò)尋找局部樣本特征與分類(lèi)器輸出結(jié)果之間的多個(gè)典型相關(guān)變量,從而發(fā)現(xiàn)不同特征集合與最優(yōu)分類(lèi)器組合之間的最大關(guān)聯(lián),并用于集成分類(lèi)。實(shí)驗(yàn)結(jié)果證明本論文所提方案在與傳統(tǒng)的集成學(xué)習(xí)方法Adaboost與Majority Voting在UCI,Image Net等多個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果對(duì)比證明本論文所提方法與其他集成學(xué)習(xí)方法相比能夠有效提高集成模型分類(lèi)準(zhǔn)確率。(3)提出了基于局部多元伯努利的差異化分類(lèi)器集成方法。針對(duì)同質(zhì)分類(lèi)器分類(lèi)結(jié)果具有偶然性,且單一分類(lèi)器只對(duì)特定樣本分類(lèi)具有敏感性等問(wèn)題,提出了基于局部多元伯努利的差異化分類(lèi)器集成方法。首先,本模型應(yīng)用KNN的思想挑選局部待測(cè)樣本,用此方法實(shí)現(xiàn)動(dòng)態(tài)的調(diào)整多類(lèi)數(shù)據(jù)集測(cè)試時(shí)分類(lèi)器權(quán)重。其次,本方案使用待測(cè)樣本的近鄰來(lái)計(jì)算每個(gè)分類(lèi)器對(duì)測(cè)試樣本檢測(cè)結(jié)果的概率均值,進(jìn)而得到不同分類(lèi)器對(duì)不同待測(cè)樣本的敏感性,并以此從局部的方面考慮多分類(lèi)器的分類(lèi)能力高低,同時(shí)計(jì)算各分類(lèi)器關(guān)于不同樣本檢測(cè)時(shí)的置信度加權(quán)值。最后,利用多元伯努利的思想將多分類(lèi)器集成融合。在UCI、Image Net數(shù)據(jù)庫(kù)中的多個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)證明,本論文所提分類(lèi)器集成方案與傳統(tǒng)的分類(lèi)器集成方法Adaboost、Random Forest相比能夠有效提高分類(lèi)器集成模型的檢測(cè)準(zhǔn)確率。(4)設(shè)計(jì)了基于局部多元伯努利的差異化多分類(lèi)器集成的車(chē)牌識(shí)別原型系統(tǒng)。在上述研究的基礎(chǔ)上設(shè)計(jì)了一套基于局部多元伯努利的差異化多分類(lèi)器集成的車(chē)牌識(shí)別原型系統(tǒng)。該系統(tǒng)應(yīng)用Matlab與Visual C++混合編程,并結(jié)合Opencv視覺(jué)庫(kù)協(xié)助處理圖像。該系統(tǒng)可以實(shí)現(xiàn)車(chē)牌定位功能、字符分割功能與字符辨別功能,并通過(guò)測(cè)試進(jìn)一步說(shuō)明本系統(tǒng)的可行性。
【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.41

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 劉倩茹;陳春華;潘保芝;令狐松;張程恩;;蟻群算法在成像測(cè)井裂縫識(shí)別及提取中的應(yīng)用[J];電子測(cè)量技術(shù);2015年04期

2 陳W毤，

本文編號(hào)：1274541