近年來,機器學(xué)習(xí)理論和應(yīng)用正以驚人的速度發(fā)展并改善著人們的生活,目前機器學(xué)習(xí)算法已經(jīng)廣泛應(yīng)用于民生、醫(yī)療、安防以及國防等領(lǐng)域,例如基于人臉識別的門禁和安防系統(tǒng)、基于指紋識別的支付系統(tǒng)、圖像檢索以及谷歌在研的無人駕駛汽車等等。隨著計算機硬件、網(wǎng)絡(luò)以及相關(guān)數(shù)據(jù)采集設(shè)備的快速發(fā)展,給人們獲取豐富的數(shù)據(jù)資源帶來了極大的便利,大量的數(shù)據(jù)含有豐富的信息,原則上應(yīng)有助于機器學(xué)習(xí)學(xué)習(xí)到更合理的模型,但是豐富的數(shù)據(jù)也帶來了數(shù)據(jù)復(fù)雜性的提高、信息過量和數(shù)據(jù)冗余等問題,甚至部分數(shù)據(jù)由于不規(guī)范的采集方式或惡劣的采集環(huán)境會出現(xiàn)大量的噪聲,這些數(shù)據(jù)盡管信息豐富但知識匱乏,直接對其進行分析不僅效率低下,而且由于冗余特征和噪聲數(shù)據(jù)的存在而難以學(xué)習(xí)到一個魯棒的模型。如何針對不同的任務(wù),從中提取出最有價值的信息進行分析成為了機器學(xué)習(xí)和模式識別領(lǐng)域的重點和難點。從數(shù)據(jù)中抽取有用信息的過程我們稱之為特征抽取,一種有效的特征抽取方法不僅能夠極大地降低數(shù)據(jù)的維數(shù)從而提高算法效率,而且有助于針對不同的任務(wù)學(xué)習(xí)到更魯棒的模型從而提高模型的泛化能力,因此特征抽取算法的研究具有重要的意義。目前,基于圖約束的模型廣泛應(yīng)用在數(shù)據(jù)的模式抽取與...

【文章頁數(shù)】：129 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景
    1.2 研究目的與意義
        1.2.1 研究目的
        1.2.2 研究意義
    1.3 子空間學(xué)習(xí)研究現(xiàn)狀
        1.3.1 圖嵌入方法
        1.3.2 子空間學(xué)習(xí)
    1.4 存在的問題
    1.5 本文主要研究內(nèi)容
    1.6 本文的章節(jié)安排
第二章 相關(guān)知識與相關(guān)算法
    2.1 正則化參數(shù)
    2.2 稀疏表示
    2.3 圖嵌入方法
    2.4 多視角學(xué)習(xí)
    2.5 本章小結(jié)
第三章 自適應(yīng)局部保持的魯棒判別分析
    3.1 引言
    3.2 自適應(yīng)局部保持的魯棒判別分析框架
        3.2.1 問題描述
        3.2.2 RDA LAP模型設(shè)計
        3.2.3 RDA LAP模型求解
    3.3 算法分析
    3.4 實驗結(jié)果與分析
        3.4.1 基于各類標準數(shù)據(jù)集的實驗
        3.4.2 參數(shù)靈敏度分析
        3.4.3 收斂性分析
        3.4.4 計算時間比較
    3.5 本章小結(jié)
第四章 松弛的稀疏局部保持投影
    4.1 引言
    4.2 松弛的稀疏局部保持投影學(xué)習(xí)
        4.2.1 問題描述
        4.2.2 RSLPP模型設(shè)計
        4.2.3 RSLPP模型優(yōu)化
    4.3 算法分析
        4.3.1 收斂性分析
        4.3.2 復(fù)雜度分析
    4.4 實驗結(jié)果與分析
        4.4.1 數(shù)據(jù)庫和實驗設(shè)置
        4.4.2 基于各類標準數(shù)據(jù)集的實驗
        4.4.3 參數(shù)敏感度分析
        4.4.4 收斂性分析
    4.5 本章小結(jié)
第五章 基于差異提升的多視角圖學(xué)習(xí)
    5.1 引言
    5.2 基于差異提升的多視角圖學(xué)習(xí)
        5.2.1 問題描述
        5.2.2 DMGL模型動機
        5.2.3 DMGL模型設(shè)計
        5.2.4 DMGL模型優(yōu)化
    5.3 算法分析
        5.3.1 收斂性分析
        5.3.2 復(fù)雜度分析
    5.4 實驗結(jié)果與分析
        5.4.1 數(shù)據(jù)集說明
        5.4.2 實驗設(shè)置
        5.4.3 加權(quán)系數(shù)分析
        5.4.4 分類結(jié)果分析
        5.4.5 算法收斂性和參數(shù)敏感性
    5.5 本章小結(jié)
總結(jié)與展望
參考文獻
攻讀博士學(xué)位期間發(fā)表或完成的論文
攻讀博士學(xué)位期間獲得的獎勵和參與的項目
致謝
附錄 本文相關(guān)數(shù)學(xué)符號說明



本文編號：4001862