資源描述：
《稀疏表示和局部保持投影特征學(xué)習(xí)方法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、廣東工業(yè)大學(xué)碩士學(xué)位論文（工學(xué)碩士）稀疏表示和局部保持投影特征學(xué)習(xí)方法研究康培培二〇一八年五月分類號：學(xué)校代號：11845UDC：密級：學(xué)號：2111505008廣東工業(yè)大學(xué)碩士學(xué)位論文（工學(xué)碩士）稀疏表示和局部保持投影特征學(xué)習(xí)方法研究康培培指導(dǎo)教師姓名、職稱:張巍副教授學(xué)科(專業(yè))或領(lǐng)域名稱:計算機科學(xué)與技術(shù)學(xué)生所屬學(xué)院:計算機學(xué)院論文答辯日期:2018年5月28日ADissertationSubmittedtoGuangdongUniversityofTechnologyfortheDegreeofMaster（Mast
2、erofEngineeringScience）ResearchonFeatureLearningbasedonSparseRepresentationandLocalityPreservingProjectionCandidate:PeipeiKangSupervisor:WeiZhangMay2018SchoolofComputerScienceandTechnologyGuangdongUniversityofTechnologyGuangzhou,Guangdong,P.R.China,510006摘要摘要局部保持投影
3、法是一種典型的基于圖的特征學(xué)習(xí)方法，其先構(gòu)建一個描述各數(shù)據(jù)間關(guān)系的圖，再基于該關(guān)系圖進行特征提取。這種分兩步的特征提取方法存在以下缺陷：其一為關(guān)系圖的構(gòu)建依賴于參數(shù)選擇及距離衡量方式，對參數(shù)值及噪聲數(shù)據(jù)敏感，不易于構(gòu)建刻畫數(shù)據(jù)間關(guān)系的圖；其二為將圖學(xué)習(xí)與特征學(xué)習(xí)分開為獨立的兩部分，忽略了兩個相關(guān)步驟之間的聯(lián)系，所以構(gòu)建的圖對于特征學(xué)習(xí)可能并不是最優(yōu)的?；诖?，本文從避免參數(shù)影響圖構(gòu)建的角度出發(fā)，考慮了圖學(xué)習(xí)與特征學(xué)習(xí)存在的潛在聯(lián)系，改善了圖學(xué)習(xí)的方式，改進了局部保持投影的特征學(xué)習(xí)框架，使改進后的算法能夠?qū)D學(xué)習(xí)與特征學(xué)習(xí)同時
4、進行。此外，在圖構(gòu)建過程中沒有人為參數(shù)或全局參數(shù)影響，而是自適應(yīng)地學(xué)習(xí)反映數(shù)據(jù)關(guān)系的圖結(jié)構(gòu)，并同時學(xué)習(xí)具有識別性的特征，使提取后的特征取得較優(yōu)的識別效果。本文在原有局部保持投影特征學(xué)習(xí)方法的基礎(chǔ)上，將圖與投影矩陣的學(xué)習(xí)融合到同一個框架，建立了一種圖與特征抽取聯(lián)合學(xué)習(xí)的模型。采用稀疏表示的思想學(xué)習(xí)圖結(jié)構(gòu)，將整個訓(xùn)練樣本集視為數(shù)據(jù)字典，重構(gòu)訓(xùn)練樣本集中的每個樣本；然后最小化重構(gòu)誤差，對重構(gòu)系數(shù)矩陣添加l1范數(shù)約束引導(dǎo)訓(xùn)練樣本數(shù)據(jù)間相互競爭表示，處于同類的樣本更能獲得彼此間較大的表示權(quán)重，從而學(xué)習(xí)重構(gòu)系數(shù)矩陣；通過對系數(shù)矩陣添加非
5、負性約束，使其可以直接當(dāng)作圖結(jié)構(gòu)來分析，自適應(yīng)學(xué)習(xí)圖結(jié)構(gòu)。結(jié)合以上思想，本文提出一種聯(lián)合稀疏表示與局部保持特征抽取方法；將以上非凸優(yōu)化問題轉(zhuǎn)化為凸優(yōu)化問題，利用交替方向乘子法交替地對每個變量進行求解，形成了一套交替迭代求解聯(lián)合稀疏表示與局部保持特征提取方法的優(yōu)化算法。為驗證本文模型的有效性及算法的收斂性，將聯(lián)合稀疏表示與局部保持投影的特征提取方法，在公開的擴展YaleB、AR和ORL人臉圖像數(shù)據(jù)集，以及COIL20物體圖像數(shù)據(jù)集上進行實驗。實驗表明，本文算法在五次迭代之內(nèi)就可以達到收斂，且識別準(zhǔn)確率均已達到較高的穩(wěn)定狀態(tài)。此
6、外，同若干已有方法進行對比的識別結(jié)果顯示，本文方法比其它算法在不同數(shù)據(jù)集上的識別率有不同程度的提高，其中相比于原有局部保持投影法，本文方法的識別率可以達到8%-20%的提高。另外，可視化的數(shù)據(jù)圖結(jié)I廣東工業(yè)大學(xué)碩士學(xué)位論文構(gòu)在優(yōu)化過程中的變化情況顯示，圖與特征聯(lián)合學(xué)習(xí)的特征提取方法所學(xué)習(xí)的關(guān)系圖能夠比原有方法初始化的關(guān)系圖更清晰地顯示數(shù)據(jù)關(guān)系。所以，改進后的算法有良好的收斂性，更易于反應(yīng)數(shù)據(jù)關(guān)系結(jié)構(gòu)，適合于特征提取，從而提高識別準(zhǔn)確率。關(guān)鍵字：特征提??；自適應(yīng)學(xué)習(xí)；聯(lián)合學(xué)習(xí)；稀疏表示；局部保持投影IIABSTRACTABST
7、RACTLocalitypreservingprojectionisaclassicalgraphbasedfeatureextractionmethod.Itfirstlyconstructagraphthatdescribesthedatarelationship,andthenextractsimportantfeaturesbasedonthelearnedgraph.Thesetwo-stepfeaturelearningmethodshavethefollowingdefects:Oneisthatthegrap
8、hconstructiondependsonparameterselectionanddistancemeasurement,anditissensitivetoparametervaluesandnoises,makingitdifficulttoobtainagraphdepictin
