本文關(guān)鍵詞：基于矩陣化特征表示和Ho-Kashyap算法的分類器設(shè)計(jì)方法研究

  更多相關(guān)文章： 模式結(jié)構(gòu) 表示信息 局部信息 聚類 矩陣化特征表示

【摘要】：基于矩陣化特征表示的分類器可以克服時(shí)間復(fù)雜度高、維數(shù)災(zāi)難等問(wèn)題,可以直接處理圖像等矩陣模式,并且具有較好的分類正確率。而現(xiàn)有矩陣化Ho-Kashyap修正算法因?yàn)楹雎粤四Ｊ街g的結(jié)構(gòu)信息,而且僅采用一種矩陣表示,所以它無(wú)法處理實(shí)際應(yīng)用問(wèn)題。為此,本文研究基于矩陣化特征表示和Ho-Kashyap算法的分類器設(shè)計(jì)方法,從而克服矩陣化Ho-Kashyap修正算法的不足并提出更有效的分類器設(shè)計(jì)方法。本文工作的主要貢獻(xiàn)如下： (1)現(xiàn)有矩陣化Ho-Kashyap修正算法僅考慮模式個(gè)體和類別結(jié)構(gòu),忽略了模式之間的結(jié)構(gòu)信息。如果用聚類方法將一個(gè)類分成多個(gè)子類,子類內(nèi)模式具有較高相似度,但子類間模式具有較低相似度,那么,這些子類就可以反映模式之間的相似度和結(jié)構(gòu)信息。這種結(jié)構(gòu)被命名為子類結(jié)構(gòu)。本文利用子類結(jié)構(gòu),提出一種三層結(jié)構(gòu)的Ho-Kashyap修正算法。 (2)常規(guī)矩陣化Ho-Kashyap修正算法僅采用一種矩陣表示,不能顯著提高分類器的性能。另一方面,同時(shí)使用模式的多種矩陣表示的傳統(tǒng)的分類器無(wú)法確定每種矩陣表示在表示空間和每個(gè)模式在不同模式空間的權(quán)重和影響。因此,本文利用模式雙重局部信息予以解決。首先,一個(gè)模式有多個(gè)具有不同表示信息和判別作用的矩陣表示。如果把這些矩陣表示組成一個(gè)表示空間,那么,它們的表示信息和判別作用被視為模式的第一重局部信息。一個(gè)多矩陣分類器是由多個(gè)矩陣表示融合而成,基于一個(gè)矩陣表示所生成的分類器可以作為其中的子分類器,生成子分類器的過(guò)程被視為矩陣表示學(xué)習(xí)過(guò)程。在一個(gè)矩陣表示學(xué)習(xí)中,不同模式對(duì)于一個(gè)子分類器的作用不同,不僅如此,同一個(gè)模式在不同矩陣表示學(xué)習(xí)中的作用也不同。所以,模式在一個(gè)矩陣表示學(xué)習(xí)中的作用被稱為第二重局部信息。本文利用雙重局部信息,提出一種雙重局部化多矩陣學(xué)習(xí)機(jī)。 (3)三層結(jié)構(gòu)的Ho-Kashyap修正算法缺少對(duì)模式雙重局部信息的利用,雙重局部化多矩陣學(xué)習(xí)機(jī)僅從全局角度來(lái)考慮模式的雙重局部信息,沒(méi)有使用子類結(jié)構(gòu)。為此,本文把它們結(jié)合起來(lái),提出一種具有五方面模式信息的多矩陣分類器。這五方面模式信息包含模式的類別,個(gè)體和子類結(jié)構(gòu)的信息、矩陣表示的表示信息和判別作用以及模式在一個(gè)矩陣表示學(xué)習(xí)中的作用。這種分類器既有三層結(jié)構(gòu)又利用雙重局部信息,從而把更多的模式信息應(yīng)用到分類器設(shè)計(jì)中。 (4)結(jié)構(gòu)風(fēng)險(xiǎn)最小化是一個(gè)廣泛用于評(píng)價(jià)分類器有效性的準(zhǔn)則。但是,三層結(jié)構(gòu)的Ho-Kashyap修正算法僅考慮了全局結(jié)構(gòu)風(fēng)險(xiǎn)最小化。再者,絕大多數(shù)分類器設(shè)計(jì)方法或僅考慮全局結(jié)構(gòu)風(fēng)險(xiǎn)最小化,或僅考慮局部結(jié)構(gòu)風(fēng)險(xiǎn)最小化。為此,本文提出了一種新的分類器設(shè)計(jì)方法,即全局和局部結(jié)構(gòu)風(fēng)險(xiǎn)最小化,以有效地改善分類器的性能。 (5)三層結(jié)構(gòu)的Ho-Kashyap修正算法、具有五方面模式信息的多矩陣分類器以及全局和局部結(jié)構(gòu)風(fēng)險(xiǎn)最小化的性能依賴于聚類方法的有效性,所以,子類結(jié)構(gòu)的合理利用和生成合適的子類對(duì)于有效地提高分類器的性能至關(guān)重要。因此,本文提出一種多因素核聚類修正算法,以更好地進(jìn)行聚類并提高分類器的性能。這種聚類算法不但可以用于向量模式,還能用于矩陣模式。它比傳統(tǒng)的k均值和層次聚類方法有更好的性能。 本文以機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)、手寫數(shù)字、人臉圖像、視頻等數(shù)據(jù)集為應(yīng)用背景,研究基于矩陣化特征表示和Ho-Kashyap算法的分類器設(shè)計(jì)方法。本文工作表明,以Ho-Kashyap算法為基礎(chǔ)并利用更多的矩陣化特征表示,可以有效地提高分類器的學(xué)習(xí)和推廣性能,并且可以處理大量實(shí)際應(yīng)用問(wèn)題。
【關(guān)鍵詞】：模式結(jié)構(gòu) 表示信息 局部信息 聚類 矩陣化特征表示
【學(xué)位授予單位】：華東理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.4
【目錄】：

• 摘要5-7
• Abstract7-11
• 第1章 緒論11-18
• 1.1 概述11-12
• 1.2 研究背景及現(xiàn)狀12-14
• 1.3 論文主要工作14-16
• 1.4 文章內(nèi)容安排16-18
• 第2章 相關(guān)工作18-23
• 2.1 Ho-Kashyap算法18-19
• 2.2 Ho-Kashyap修正算法19
• 2.3 矩陣化Ho-Kashyap修正算法19-21
• 2.4 多視角下的Ho-Kashyap修正算法21
• 2.5 正則化多視角下的Ho-Kashyap修正算法21-23
• 第3章 多結(jié)構(gòu)Ho-Kashyap修正算法23-42
• 3.1 引言23
• 3.2 三層結(jié)構(gòu)的Ho-Kashyap修正算法模型23-27
• 3.2.1 數(shù)據(jù)準(zhǔn)備23-25
• 3.2.2 模型實(shí)現(xiàn)25
• 3.2.3 模型推導(dǎo)25-27
• 3.3 實(shí)驗(yàn)結(jié)果分析27-41
• 3.3.1 實(shí)驗(yàn)設(shè)置27
• 3.3.2 人工數(shù)據(jù)集27-29
• 3.3.3 UCI數(shù)據(jù)集29-38
• 3.3.4 圖像數(shù)據(jù)集38-41
• 3.4 本章小結(jié)41-42
• 第4章 雙重局部化多矩陣學(xué)習(xí)機(jī)42-69
• 4.1 引言42-45
• 4.2 雙重局部化多矩陣學(xué)習(xí)機(jī)模型45-49
• 4.2.1 模型實(shí)現(xiàn)45-47
• 4.2.2 模型推導(dǎo)47-49
• 4.3 實(shí)驗(yàn)結(jié)果分析49-67
• 4.3.1 實(shí)驗(yàn)設(shè)置50-54
• 4.3.2 人工數(shù)據(jù)集54-55
• 4.3.3 UCI數(shù)據(jù)集55-57
• 4.3.4 圖像數(shù)據(jù)集57-63
• 4.3.5 進(jìn)一步討論63-67
• 4.4 本章小結(jié)67-69
• 第5章 多信息多矩陣分類器69-89
• 5.1 引言69-70
• 5.2 具有五方面模式信息的多矩陣分類器模型70-75
• 5.2.1 模型實(shí)現(xiàn)70-72
• 5.2.2 模型推導(dǎo)72-75
• 5.3 實(shí)驗(yàn)結(jié)果分析75-87
• 5.3.1 實(shí)驗(yàn)設(shè)置76-80
• 5.3.2 分類正確率比較80-82
• 5.3.3 訓(xùn)練和測(cè)試時(shí)間比較82-83
• 5.3.4 進(jìn)一步討論83-87
• 5.4 本章小結(jié)87-89
• 第6章 基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的分類器設(shè)計(jì)算法89-129
• 6.1 引言89-91
• 6.2 全局和局部結(jié)構(gòu)風(fēng)險(xiǎn)最小化的分類器模型91-98
• 6.2.1 分類器的提出91-92
• 6.2.2 數(shù)據(jù)準(zhǔn)備92
• 6.2.3 模型實(shí)現(xiàn)92-94
• 6.2.4 模型推導(dǎo)94-98
• 6.3 實(shí)驗(yàn)結(jié)果分析98-128
• 6.3.1 實(shí)驗(yàn)設(shè)置99-103
• 6.3.2 人工數(shù)據(jù)集103-108
• 6.3.3 UCI數(shù)據(jù)集108-117
• 6.3.4 圖像數(shù)據(jù)集117-119
• 6.3.5 視頻數(shù)據(jù)集119-120
• 6.3.6 進(jìn)一步討論120-128
• 6.4 本章小結(jié)128-129
• 第7章 多因素核聚類方法129-140
• 7.1 引言129-130
• 7.2 多因素核聚類修正算法模型130-134
• 7.2.1 方法基礎(chǔ)130
• 7.2.2 模型因素130-133
• 7.2.3 模型實(shí)現(xiàn)133-134
• 7.3 實(shí)驗(yàn)結(jié)果分析134-139
• 7.3.1 實(shí)驗(yàn)設(shè)置135-137
• 7.3.2 聚類方法性能比較137
• 7.3.3 因素影響137-139
• 7.4 本章小結(jié)139-140
• 第8章 結(jié)束語(yǔ)140-142
• 8.1 本文工作總結(jié)140-141
• 8.2 研究工作展望141-142
• 參考文獻(xiàn)142-150
• 攻讀博士學(xué)位期間完成的論文和科研成果150-152
• 致謝152

【共引文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 王全鳳;鄭浩;;基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的高層建筑結(jié)構(gòu)選型[J];四川建筑科學(xué)研究;2010年05期

2 冀衛(wèi)興;陳忠海;方箏;;基于DE—BP算法的空調(diào)負(fù)荷預(yù)測(cè)研究[J];四川建筑科學(xué)研究;2010年05期

3 張根耀,李竹林,趙宗濤;遮擋情況下運(yùn)動(dòng)目標(biāo)的跟蹤[J];安徽大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年03期

4 陳弋蘭;王鳴;孫書誠(chéng);;樸素貝葉斯分類器的誤差估計(jì)[J];安徽工程科技學(xué)院學(xué)報(bào)(自然科學(xué)版);2008年04期

5 張紅濤;胡玉霞;張恒源;顧波;;儲(chǔ)糧害蟲圖像識(shí)別中的特征壓縮研究[J];安徽農(nóng)業(yè)科學(xué);2008年27期

6 郭立萍;唐家奎;米素娟;張成雯;趙理君;;基于支持向量機(jī)遙感圖像融合分類方法研究進(jìn)展[J];安徽農(nóng)業(yè)科學(xué);2010年17期

7 張昭;何東健;;基于計(jì)算機(jī)視覺(jué)的竹塊顏色分類方法研究[J];安徽農(nóng)業(yè)科學(xué);2010年26期

8 王婷婷;黃燕;;基于NC-SVM的酵母蛋白功能預(yù)測(cè)研究[J];現(xiàn)代農(nóng)業(yè)科技;2011年07期

9 汪潔;朱軍;;基于Linux的中文垃圾郵件過(guò)濾系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J];安徽農(nóng)業(yè)大學(xué)學(xué)報(bào);2011年02期

10 蘇科;陳志彬;;基于BP神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng)[J];遼寧科技大學(xué)學(xué)報(bào);2010年05期

，

本文編號(hào)：547491