流形学习与稀疏回归算法在图像监督分类上的应用研究.pdf

《流形学习与稀疏回归算法在图像监督分类上的应用研究.pdf》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、硕士学位论文流形学习与稀疏回归算法在图像监督分类上的应用研究RESEARCHONMANIFOLDLEARNINGANDSPARSEREGRESSIONALGORITHMINIMAGESUPERVISEDCLASSIFICATION张兴瑞哈尔滨工业大学2018年6月国内图书分类号：TN911.73学校代码：10213国际图书分类号：621.3密级：公开工程硕士学位论文流形学习与稀疏回归算法在图像监督分类上的应用研究硕士研究生张兴瑞导师关宇东副教授申请学位工程硕士学科电子与通信工程所在单位电子与信息工程学院答辩日期2018年6月授予学位单位哈尔滨工业大学ClassifiedIndex:TN9

2、11.73U.D.C:621.3DissertationfortheMasterDegreeinEngineeringRESEARCHONMANIFOLDLEARNINGANDSPARSEREGRESSIONALGORITHMINIMAGESUPERVISEDCLASSIFICATIONCandidate：ZhangXingruiSupervisor：Ass.Prof.GuanYudongAcademicDegreeAppliedfor：MasterofEngineeringSpeciality：ElectronicsandCommunicationEngineeringAffiliat

3、ion：SchoolofElectronicsandInformationEngineeringDateofDefence：June,2018Degree-Conferring-Institution：HarbinInstituteofTechnology哈尔滨工业大学工程硕士学位论文摘要随着多媒体技术的不断发展以及存储技术的提高，人们获取了大量的高维信息，而数据高维特性的存在将影响计算机的数据处理能力，影响模型的效率。在近年来的研究中，如何降低高维数据的影响已经成为一个重要的研究方向。传统的数据降维算法基本为线性降维算法，而在流形学习理论中指出数据呈流形分布，且部分数据线性不可分。流形

4、学习的前提是假设数据在全局非线性的或局部线性的情况下，通过学习数据内部的几何结构，使得样本在低维空间仍然可以维持原始的数据结构。若算法引入稀疏回归则图的映射矩阵具有低秩性。本文从多方面探讨了流形学习与稀疏回归的算法思想，首先从邻域图的构建入手，对KNN构图算法进行了改进，采用核化的思想将原始数据映射到再生核希尔伯特空间(RKHS)，并在该特征空间对样本进行邻域图的构建。同时算法引入无偏估计量范数，使该矩阵具有自适应稀疏性，不仅使得构21,图过程中不需要对近邻参数K进行初始化，而且有效降低了过拟合现象。其次对特征映射算法进行了构建，引入了四种其他特征映射算法，分别对算法的基本思想、基本步

5、骤及特性进行了对比分析及总结。深入研究了流形学习与稀疏回归的非线性嵌入算法，并将其与改进的构图算法相结合，利用调节因子λ共同构造了非线性嵌入算法。该算法不仅降低了之前映射算法对图结构的过度依赖性，而且使得投影矩阵P具有稀疏性，提高了算法鲁棒性及抗噪声性能。最后，将文章研究的算法应用到监督学习中，并与引入的多种算法进行了性能对比。实验表明，本文研究的流形学习与稀疏回归的非线性图嵌入算法，在复杂场景数据集和简单数据集上具有较高的稳定性及优越性。其中在ORLFace和Coil-20数据集上具有较好的识别性能。相较于其他维数约简方法，本文方法具有输入参数少、算法稳定性高及识别准确率高的优势。关键

6、词：流形学习；稀疏回归；降维；非线性嵌入；监督分类-I-哈尔滨工业大学工程硕士学位论文AbstractWiththedevelopmentofmultimediatechnologyandtheimprovementofstoragetechnology,alargenumberofhigh-dimensionaldatahavebeengenerated.Computer'sdataprocessingcapabilityandtheclssificationaccuracywillbeaffectedbytheexistenceofhigh-dimensionalcharacteri

7、sticsofthedata.Inrecentyears，howtogetthelowdimensionalrepresentationofhigh-dimensionaldatahasbecomeanimportantresearchdirection.Thetraditionaldimensionalityreductionalgorithmislinear.Butinmanycase，thedistributionofthed