基于稀疏表示和集成学习的若干分类问题研究

《基于稀疏表示和集成学习的若干分类问题研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、作者简介宋相法，河南滑县人。2000年毕业于河南大学，获学士学位。2003年毕业于河南大学，获硕士学位。2007年8月开始在西安电子科技大学攻读博士学位。导师为焦李成教授。主要研究方向：机器学习、模式识别和计算机视觉等。代表性成果：已在《SignalProcessing》，《模式识别与人工智能》和《电子与信息学报》上发表学术论文4篇。XiangfaSong,wasborninHuaxian,HenanProvince,China.HereceivedB.A.degreefromHenanUniversityin2000andM.S.degreefromHenanUni

2、versityin2003.InAugust2007,hebegantowardshisPh.D.degreeinXidianUniversity.HissupervisoristhefamousProfessorLichengJiao.HisresearchinterestsincludeMachineLearning,PatternRecognition,andComputerVision,etal.Untilnow,hehaspublished4journalpaperson《SignalProcessing》,《PatternRecognition&Artif

3、icialIntelligence》and《JournalofElectronics&InformationTechnology》.西安电子科技大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处，本

4、人承担一切的法律责任。本人签名：日期：西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，毕业后结合学位论文研究课题再撰写的文章一律署名单位为西安电子科技大学。（保密的论文在解密后遵守此规定）本学位论文属于保密，在年解密后适用本授权书。本人签名：导师签名：日期：日期：摘要I摘要分类问题是真实世界中普遍存在的问题，同时

5、也是机器学习领域研究的核心问题之一。在真实世界问题的驱动下，分类问题已从单示例单标记分类（传统有监督分类）扩展到多标记分类、多示例分类和多示例多标记分类。上述各种分类问题对机器学习领域的研究人员提出了新的挑战。稀疏表示和集成学习有着坚实的理论基础，是解决分类问题的有力工具，在许多应用领域表现出了优越的性能。因此，针对上述各种分类问题，本论文以单示例单标记高光谱遥感图像分类、多标记图像分类、多标记基因分类、多标记Web页面分类、多示例图像分类和多示例多标记图像分类为具体研究对象，以稀疏表示和集成学习为工具，以提高整体分类性能为主要目的，提出了一些新的解决各种具体分类问题

6、的方法。本论文的研究成果主要包括如下几个方面：1.结合稀疏表示特征及光谱信息特征提出了一种新的高光谱遥感图像数据分类方法。首先利用高光谱遥感图像数据集和机器学习方法得到字典，然后根据字典计算每个像元的稀疏表示特征，最后使用随机森林分类器分别对稀疏表示特征和光谱信息特征进行分类，并对分类结果进行集成。在高光谱遥感图像数据集上的实验结果表明：所提方法与基于稀疏表示特征的方法和基于光谱信息特征的方法相比，能够提高分类结果。2.基于稀疏表示提出了一种新的多标记分类方法。首先利用训练样本集作为字典，将测试样本表示为字典中训练样本上的线性组合，基于l-最小化方法求得1稀疏表示系数

7、，然后利用稀疏表示系数所包含的判别信息提出了一个计算测试样本属于各标记的隶属度的方法，最后根据隶属度对标记进行排序，利用标记的排序结果对测试样本分类。在多标记数据集上的实验结果表明：所提方法与其他方法相比取得了更好的分类结果。3.提出了基于随机子空间集成的多标记分类方法。使用随机子空间方法从多标记数据的整体特征中随机选择多个相同大小的特征子集，然后利用每个特征子集生成多标记基分类器，最后将所有多标记基分类器的输出结果集成起来，得到最终的分类结果。在多标记数据集上的实验结果表明：所提方法的性能优于单个多标记分类算法的性能。4.结合稀疏表示和集成学习提出