本文關(guān)鍵詞：圖正則和低秩多標記線性判別分析，由筆耕文化傳播整理發(fā)布。

【摘要】：多標記分類研究一個對象同時與多個標記相關(guān)的問題。與傳統(tǒng)的單標記分類相比,多標記分類更普遍,在許多領(lǐng)域,例如多主題文本分類、圖像與視頻標注等方面都具有實際的應(yīng)用意義。所以其越來越受到關(guān)注,目前,已經(jīng)有大量多標記分類算法被提出。其中,多標記線性判別分析算法(MLDA)是一種有效的處理多標記分類的方法,但其不能保持數(shù)據(jù)的局部幾何結(jié)構(gòu)。本文針對多標記分類進行了研究,改進了多標記線性判別分析算法,主要研究工作和創(chuàng)新點如下:(1)原始的MLDA算法通過對經(jīng)典的線性判別分析算法(LDA)中的散度矩陣進行重新定義,并且考慮了標記間的聯(lián)系,較好地處理了多標記分類問題,但是,MLDA忽略了數(shù)據(jù)的局部幾何結(jié)構(gòu)。而在近年來的很多研究中都表明,局部結(jié)構(gòu)信息對于降維是十分重要的。為了解決這個問題,本文引入圖正則項,對多標記線性判別分析算法進行改進,提出了新的圖正則的多標記線性判別分析算法(GR-MLDA),同時保持了數(shù)據(jù)的整體和局部幾何結(jié)構(gòu)信息,提高了算法的性能。通過實驗,我們在多個數(shù)據(jù)集上,和多種算法做了比較,證明了GR-MLDA的性能優(yōu)于原始的MLDA算法。(2)在原始的MLDA算法中,當數(shù)據(jù)集維度較高時,計算的時間和空間復雜性都非常高,本文通過去除矩陣中零空間的思想,在求解GR-MLDA目標函數(shù)的特征值問題之前,去除了散度矩陣的零空間,然后再計算特征值問題,從而優(yōu)化了高維數(shù)據(jù)降維的計算過程,降低了時間和空間的復雜度。實驗證明,原始MLDA的計算時間甚至是GR-MLDA的幾百倍。(3)已有的許多判別方法都假設(shè)數(shù)據(jù)集是干凈無噪聲的,直接將樣本投影到子空間,從而不能處理訓練集中由于遮擋、鏡面反射或者噪聲等造成的異常值。在本文中,通過引入低秩和稀疏矩陣,提出低秩稀疏的多標記線性判別分析算法(LRS-MLDA),將原始數(shù)據(jù)分解為一個低秩矩陣和一個稀疏矩陣之和,去除了原始數(shù)據(jù)集中的異常值,消除了遮擋、噪聲等影響,提高了算法的性能。實驗結(jié)果表明我們的算法確實改進了多標記線性判別分析算法。
【關(guān)鍵詞】：多標記分類 局部結(jié)構(gòu) 計算復雜性 低秩表示 稀疏矩陣
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP391.1
【目錄】：

• 摘要3-5
• ABSTRACT5-13
• 第一章 緒論13-23
• 1.1 背景13
• 1.2 多標記分類研究現(xiàn)狀13-20
• 1.2.1 多標記分類算法13-17
• 1.2.2 降維在多標記分類中應(yīng)用17-20
• 1.3 論文主要工作20
• 1.4 論文結(jié)構(gòu)安排20-23
• 第二章 圖正則的多標記線性判別分析23-49
• 2.1 引言23
• 2.2 MLDA介紹23-26
• 2.3 圖正則的MLDA26-28
• 2.4 優(yōu)化的計算模型28-31
• 2.5 實驗結(jié)果31-47
• 2.5.1 實驗數(shù)據(jù)集31-34
• 2.5.2 對比算法34-36
• 2.5.3 評估標準36-38
• 2.5.4 實驗結(jié)果38-47
• 2.6 本章小節(jié)47-49
• 第三章 低秩稀疏分解的多標記線性判別分析49-61
• 3.1 引言49
• 3.2 相關(guān)工作49-51
• 3.3 低秩稀疏分解的MLDA51-53
• 3.4 實驗結(jié)果53-58
• 3.4.1 實驗數(shù)據(jù)集和對比算法53
• 3.4.2 實驗評價標準53-54
• 3.4.3 實驗結(jié)果54-58
• 3.5 本章小結(jié)58-61
• 全文總結(jié)61-63
• 參考文獻63-67
• 致謝67-69
• 攻讀學位期間發(fā)表的學術(shù)論文目錄69-71
• 攻讀學位期間參與的項目71-73

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 陳曉紅;陳松燦;;類依賴的線性判別分析[J];小型微型計算機系統(tǒng);2008年05期

2 劉忠寶;王士同;;改進的線性判別分析算法[J];計算機應(yīng)用;2011年01期

3 高建強;范麗亞;;模糊線性判別分析中距離對面部識別的影響[J];井岡山大學學報(自然科學版);2012年03期

4 葛熠;王亭亭;韓月;李峰;;基于核雙子空間線性判別分析人臉識別方法[J];科技視界;2012年23期

5 任獲榮;李春曉;孫建維;秦紅波;何培培;高敏;;類依賴增強線性判別分析算法[J];西安電子科技大學學報;2012年05期

6 溫鳳文;王洪春;;改進的張量線性判別分析[J];黑龍江科技信息;2013年24期

7 趙越;徐鑫;喬利強;;張量線性判別分析算法研究[J];計算機技術(shù)與發(fā)展;2014年01期

8 趙芳;馬玉磊;;基于概率線性判別分析的可擴展似然公式化人臉識別[J];科學技術(shù)與工程;2014年06期

9 周大可,楊新,彭寧嵩;改進的線性判別分析算法及其在人臉識別中的應(yīng)用[J];上海交通大學學報;2005年04期

10 成忠;諸愛士;;一種適于高維小樣本數(shù)據(jù)的線性判別分析方法[J];浙江科技學院學報;2008年02期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 歐陽梅蘭;張志敏;陳晨;劉鑫波;梁逸曾;;稀疏線性判別分析法在代謝組學數(shù)據(jù)研究中的應(yīng)用[A];中國化學會第29屆學術(shù)年會摘要集——第19分會：化學信息學與化學計量學[C];2014年

2 張明錦;杜一平;童佩瑾;;基于非相關(guān)線性判別分析的分層特征選擇方法及其在蛋白質(zhì)組數(shù)據(jù)分析中的應(yīng)用[A];第十屆全國計算(機)化學學術(shù)會議論文摘要集[C];2009年

中國博士學位論文全文數(shù)據(jù)庫 前3條

1 任忠國;基于γ特征譜的對象相似性識別技術(shù)研究[D];蘭州大學;2015年

2 劉忠寶;基于核的降維和分類方法及其應(yīng)用研究[D];江南大學;2012年

3 潘志斌;半監(jiān)督排序的若干關(guān)鍵問題研究[D];華中科技大學;2014年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 王金貝;基于奇異值分解的不相關(guān)線性判別分析的通解與性質(zhì)[D];鄭州大學;2015年

2 林軒;幾種分類問題的研究[D];吉林大學;2015年

3 孔昭陽;基于GPU的并行線性判別分析算法研究[D];哈爾濱工業(yè)大學;2014年

4 袁愈章;圖正則和低秩多標記線性判別分析[D];上海交通大學;2015年

5 李道紅;線性判別分析新方法研究及其應(yīng)用[D];南京航空航天大學;2005年

6 曾麗輝;稀疏線性判別分析在文本分類中的應(yīng)用研究[D];華東交通大學;2011年

7 姜園媛;人臉識別中關(guān)于線性判別分析算法的若干研究[D];吉林大學;2012年

8 王東;改進的二維直接線性判別分析方法及在人臉識別中的應(yīng)用[D];云南大學;2015年

9 苗春玉;線性判別分析改進算法的分析與研究[D];遼寧師范大學;2012年

10 王增鋒;線性判別分析子空間方法人臉識別研究[D];山東大學;2006年

  本文關(guān)鍵詞：圖正則和低秩多標記線性判別分析，，由筆耕文化傳播整理發(fā)布。

本文編號：365248