發(fā)布時(shí)間：2021-08-05 02:59

　　隨著信息技術(shù)在社會各領(lǐng)域的深入滲透,人類社會所擁有的數(shù)據(jù)總量達(dá)到了一個(gè)前所未有的高度。一方面,海量數(shù)據(jù)為基于數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)方法獲取有價(jià)值信息提供了充分空間;另一方面,高維度、過冗余以及高噪聲也是上述繁多、復(fù)雜數(shù)據(jù)的固有特性。為消除數(shù)據(jù)冗余、發(fā)現(xiàn)數(shù)據(jù)結(jié)構(gòu)、提高數(shù)據(jù)質(zhì)量,原型學(xué)習(xí)是一種行之有效的方式。通過尋找一個(gè)原型集來表示目標(biāo)集,以從樣本空間進(jìn)行數(shù)據(jù)約簡,在增強(qiáng)數(shù)據(jù)可用性的同時(shí),提升機(jī)器學(xué)習(xí)算法的執(zhí)行效率。其可行性在眾多應(yīng)用領(lǐng)域中已得到證明。因此,開展原型學(xué)習(xí)相關(guān)理論與方法的研究具有重要的理論意義和應(yīng)用價(jià)值。本文圍繞原型學(xué)習(xí)中的多樣性、可解釋性和相容性三個(gè)核心問題,探索建立新的原型學(xué)習(xí)模型,對涉及的相似性度量、互斥約束、質(zhì)量評價(jià)、知識遷移、模型優(yōu)化等理論問題開展深入研究,解決面向表征學(xué)習(xí)的原型互斥選擇、原型結(jié)構(gòu)化選擇、任務(wù)指派中的原型生成等技術(shù)問題。論文的主要創(chuàng)新性研究成果包括:?提出了一種特征聚合中的原型選擇方法。為了產(chǎn)生緊致但可解釋的全局表示,該方法通過松弛排他性約束從所有局部特征中選取信息密度高、相容性強(qiáng)的原型。同時(shí),將特征聚合中的碼書構(gòu)建、編碼以及池化有效地集成到一個(gè)統(tǒng)一的原... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：146 頁

【學(xué)位級別】：博士

【文章目錄】：
致謝
中文摘要
ABSTRACT
主要符號對照表
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究概況
        1.2.1 原型學(xué)習(xí)的相關(guān)方法
        1.2.2 原型學(xué)習(xí)的典型應(yīng)用
        1.2.3 原型質(zhì)量評估
    1.3 研究內(nèi)容和論文框架
        1.3.1 研究內(nèi)容
        1.3.2 論文框架與結(jié)構(gòu)安排
2 原型學(xué)習(xí)綜述
    2.1 原型學(xué)習(xí)的監(jiān)督方式
        2.1.1 無監(jiān)督的原型學(xué)習(xí)
        2.1.2 半監(jiān)督的原型學(xué)習(xí)
        2.1.3 全監(jiān)督的原型學(xué)習(xí)
    2.2 原型學(xué)習(xí)的相關(guān)模型
        2.2.1 基于相似度的原型學(xué)習(xí)
        2.2.2 基于行列式點(diǎn)過程的原型選擇
        2.2.3 基于數(shù)據(jù)重構(gòu)的原型學(xué)習(xí)
        2.2.4 基于低秩逼近的原型選擇
    2.3 本章小結(jié)
3 特征聚合中的原型選擇
    3.1 問題描述
    3.2 面向特征聚合的原型選擇方法
        3.2.1 原型誘導(dǎo)的特征聚合模型建立
        3.2.2 半監(jiān)督下的特征聚合
    3.3 模型求解
        3.3.1 優(yōu)化解法的框架
        3.3.2 收斂性分析
        3.3.3 計(jì)算復(fù)雜度分析
    3.4 實(shí)驗(yàn)結(jié)果和分析
        3.4.1 實(shí)驗(yàn)設(shè)置
        3.4.2 合成數(shù)據(jù)的定性評估
        3.4.3 圖像檢索的性能評估
        3.4.4 圖像分類的性能評估
        3.4.5 Pro LFA的參數(shù)敏感度
        3.4.6 Pro LFA的可擴(kuò)展性
    3.5 本章小結(jié)
4 面向任務(wù)指派的原型生成
    4.1 問題描述
    4.2基礎(chǔ)指派模型DS3
    4.3 面向任務(wù)指派的原型生成方法
        4.3.1 通用指派模型建立
        4.3.2 無監(jiān)督下的原型生成
        4.3.3 半監(jiān)督下的原型生成
        4.3.4 全監(jiān)督下的原型生成
    4.4 模型求解
        4.4.1 優(yōu)化解法的框架
        4.4.2 收斂性分析
        4.4.3 計(jì)算復(fù)雜度分析
    4.5 實(shí)驗(yàn)結(jié)果和分析
        4.5.1 運(yùn)動分割性能的分析
        4.5.2 動作識別性能的分析
        4.5.3 場景分類性能的分析
        4.5.4 GAM的參數(shù)敏感度
        4.5.5 算法的收斂速度
    4.6 本章小結(jié)
5 l_1范數(shù)度量誘導(dǎo)的原型選擇
    5.1 問題描述
    5.2 f_1范數(shù)度量誘導(dǎo)的原型選擇模型
        5.2.1 原型選擇模型建立
        5.2.2 原型在線選擇
    5.3 模型求解
        5.3.1 子問題Ψ_S的解法
        5.3.2 子問題Φ_Z的解法
        5.3.3 收斂性分析
        5.3.4 計(jì)算復(fù)雜度分析
    5.4 實(shí)驗(yàn)結(jié)果和分析
        5.4.1 實(shí)驗(yàn)設(shè)置
        5.4.2 合成數(shù)據(jù)的定性評估
        5.4.3 視頻摘要的性能評估
        5.4.4 運(yùn)動分割的性能評估
        5.4.5 場景分類的性能評估
    5.5 本章小結(jié)
6 自監(jiān)督的深度低秩原型選擇
    6.1 問題描述
    6.2 自監(jiān)督的深度低秩原型選擇框架
    6.3 模型求解
        6.3.1 子問題P1的解法
        6.3.2 子問題P2的解法
        6.3.3 提出解法的概述
        6.3.4 計(jì)算復(fù)雜度分析
    6.4 實(shí)驗(yàn)結(jié)果和分析
        6.4.1 視頻摘要的性能評估
        6.4.2 文本聚類的性能評估
        6.4.3 圖像分類的性能評估
        6.4.4 SDLA的噪聲敏感度
    6.5 本章小結(jié)
7 基于知識遷移的原型生成
    7.1 問題描述
    7.2 基于知識遷移的原型生成方法
        7.2.1 基于知識遷移的原型生成定義
        7.2.2 層次化原型生成模型建立
    7.3 模型求解
        7.3.1 提出解法的框架
        7.3.2 算法收斂性分析
        7.3.3 計(jì)算復(fù)雜度分析
    7.4 實(shí)驗(yàn)結(jié)果和分析
        7.4.1 實(shí)驗(yàn)設(shè)置
        7.4.2 實(shí)驗(yàn)A:無交叉類問題的性能評估
        7.4.3 實(shí)驗(yàn)B:有交叉類問題的性能評估
        7.4.4 HPG的參數(shù)敏感度
    7.5 本章小結(jié)
8 總結(jié)與展望
    8.1 工作總結(jié)
    8.2 未來工作展望
參考文獻(xiàn)
作者簡歷
攻讀博士學(xué)位期間發(fā)表的學(xué)術(shù)論文
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
博士論文
[1]模式識別中的樣本選擇研究及其應(yīng)用[D]. 姜文瀚.南京理工大學(xué) 2008
[2]基于粗糙集的數(shù)據(jù)約簡及粗糙集擴(kuò)展模型的研究[D]. 鄧大勇.北京交通大學(xué) 2007



本文編號：3322923