欢迎来到天天文库
浏览记录
ID:35057573
大小:5.87 MB
页数:68页
时间:2019-03-17
《基于l1范数的核判别保局投影算法研究》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、密级:y保密期限:每t乂爹硕±学位论文基于L1范数的核判别保局投影算法硏究ResearchonkerneIDiscriminantLocalityPreservingProect-ionsBasedonLINormMaxzatjimiion学号E14301090姓名汪晶学位类别工程硕±学科专业计算机技术(工程领域)指导教师陈思宝副教授完成时间2016年3月 ̄ ̄'答辩委员会(主席签名/)hy子三3独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及
2、取得的研究成果,论文。据我所知,除了文中特别加LX标注和致谢的地方外中不包含其他人己经发表或撰写过的研究成果,化不包含为获得安徽大学或其他教育机构的学位或证书而使用过的材料一同工作的同志对本研究所做的任何贡献均巴。与我在论文中作了明确的说明并表示谢意。:日口曰字期:玉月3学位论文作者签名延!9签y/扛年学位论文版权使用授权书、使用学位论文的规定本学位论文作者完全了解安徽大学有关保留,有权保留并向国家有关部口或机构送交论文的复巧件和磁盘,允许论文被查阅和借阅レ。本人授权安徵大学可乂将学位论文的全部或部分内容编入有关数据库进行检L索,可乂
3、采用影印、缩印或扫描等复制手段保存、汇编学位论文。(保密的学位论文在解密后适用本授权书)::学位论文作者签名拜?晶导师签名份爱穿签字日期:乃16年5月那日签字曰期:公//年女月^曰安徽大学硕±论文^摘要近年来,随着人们获取信息的工具和技术的不断创新,现实世界中得到的数据往往维数非常的高,所数据降维技术成为了处理高维数据中不可或缺的关键技术。因此,各种线性降维技术应运而生,如主成分分析法(PCA)、线性判别分析法-(LDA)等等。而基于L1范数的判别保局投影算法(DLPPL1)也是一个很高效的线性降维技术,它在保持样本局部结构信
4、息的同时充分利用一-组最佳投影向量样本类间和类内判别信息的差异。DLPPL1通过寻找,将离维数据映射到低维特征空间中,使得在低维特征空间中,不仅要最大化类间样K-本的分散度而且要最小化类内样本的分散度。而随着SVM算法的提出,使用核技巧的方法受到了越来越多人的关注,它是将原始空间中的数据映射到高维空间中去,使得在高维空间中数据之间能具有更大的区分性。研究者将核函。数引入到线性降维方法中,将线性降维方法推广为基于核函数的非线性版本相应的实验结果也表明,使用核函数的降维方法在识别性能方面有明显的提高,1PP-L因此,本文对基于L范数的判别保局投影算
5、法(DL1)进行研究并将核函DLPP-L1L1范。数引入算法中,提出基于数的核判别保局投影算法与此同时,直接基于图像矩阵的投影技术在线性降维中也取得了很好的效果,它直接对图像矩阵进行投影而不需要拉直成向量,避免了维数灾难问题。因此,本文的第二工作是将DLPP-L个直接基于图像矩阵的投影技术运用于1算法中,提出基于L1范数的二维判别保局投影算法。本文的研究内容总结如下:(1)为了提高基于L1范数的判别保局投影算法的分类性能,更好地利用DLPP-L1L1范样本的非线性结构。我们将核函数引入算法中,提出基于数的一-L核判别保局投影算法(KDLPP
6、1)。采用个新的迭代算法来求解其最佳投影方向并且给出了目杨函数迭代收敛性的证明-。实验结果表明,KDLPPL1算法DLPP-L和1算法相比性能有明显的提升。2P-()DLPL1算法要将图像矩阵拉直成向量,然后再进行投影降维,这一样转换后的向量通常维数非常高,会造成维数灾难问题。为了克服运局限性,DLPP-L1L本文将直接基于图像矩阵的投影技术运用于算法中,提出基于1范I安徽大学硕壬论文基于L1范数的核巧别保局投彰算法研究一-L1数的二维判别保局投影算法(2DDLPP)。采用个迭代算法来求解其最优投。DLPP-影向量并给出其算法合理性的理
7、论证明实验结果表明,2DL1算法的识-L且在它的相关方法中也是别性能和鲁棒性较DLPP1算法有很显著的提升,而最好的。关键词:数据降维,核函数,图像矩阵II安徽大学硕±论文ABSTRACTABSTRACT虹recentyears,with化edevelopmentofnew1:echniquesandtoolswhichforcollectinginformation,theinformationwegetinrealworlda
此文档下载收益归作者所有