学位论文 > 优秀研究生学位论文题录展示

基于嵌入空间的降维算法建模研究及应用

作　者: 张召
导　师: 业宁
学　校: 南京林业大学
专　业: 计算机应用技术
关键词: 局部保持降维配对约束判别分析分类半监督学习
分类号: TP311.13
类　型: 硕士论文
年　份: 2009年
下　载: 34次
引　用: 0次
阅　读: 论文下载

内容摘要

本文以机器学习理论为基础,通过引入局部性、配对约束、半监督学习和核映射等思想方法,研究了基于嵌入空间的降维问题。主要工作如下：1、通过引入半监督学习的思想,提出了一种判别型半监督非线性降维算法DSSNDR,是一个标准的特征值求解问题,可有效执行计算和避免奇异性。类内和类间散度被用于判断样本对是同类还是不同类。算法允许用户最大限度地分离类间散度,同时保持类内散度的结构,可选择出描述能力更强的特征信息。2、采用以配对约束形式存在的领域知识,研究了基于配对约束的半监督非线性降维算法KS2DR,可有效执行半监督学习。KS2DR可将原始数据投影成一系列“有用的”特征形式,同时保持样本数据和配对约束的内部结构特征,能使投影在低维特征空间中的正负类样本间存在较少的混叠现象,更具可分离性。3、通过引入Fisher判别分析FDA和典型相关分析CCA的思想,采用以样本的类标号给出的先验信息,考虑数据的局部性,提出了一种监督的基于Fisher判别的局部保持多向量相关分析方法。通过定义新准则,与FDA, KFD和LFDA相比,该方法具有许多显著的优点,可有效利用类标号监督信息提高分类精度。

全文目录

致谢  3-4
摘要  4-5
Abstract  5-8
第一章绪论  8-15
  1.1 国内外研究概况  8-11
    1.1.1 现有的传统降维方法  8-9
    1.1.2 基于距离尺度的降维方法  9-10
    1.1.3 基于局部性的降维方法  10
    1.1.4 基于半监督学习的降维方法  10-11
  1.2 选择该研究课题的重要意义  11-12
  1.3 本文的主要研究工作  12-13
  1.4 本文的内容安排  13-15
第二章子模式判别型半监督非线性维数减少算法  15-27
  2.1 算法设计和灵敏度分析  15-19
    2.1.1 线性判别分析  15-16
    2.1.2 非线性DSSNDR算法  16-18
    2.1.3 基于子模式空间的DSSNDR  18-19
    2.1.4 混合核函数构造  19
  2.2 仿真实验与分析  19-26
    2.2.1 基于UCI数据集的分类实验  20-22
    2.2.2 木材节子缺陷识别仿真  22-26
      2.2.2.1 Gabor小波变换  22-23
      2.2.2.2 检测结果  23-26
  2.3 本章节小结  26-27
第三章基于配对约束的半监督非线性降维算法  27-40
  3.1 基于配对约束的半监督降维算法设计与分析  27-31
    3.1.1 基于配对约束的判别分析  27-28
    3.1.2 基于核空间的KS~2DR  28-30
    3.1.3 混合核函数构造  30-31
  3.2 仿真实验与分析  31-38
    3.2.1 基于UCI数据集的分类比较实验  31-33
    3.2.2 木材节子缺陷识别仿真实验  33-38
      3.2.2.1 LBP特征提取方法  34-35
      3.2.2.2 识别结果  35-38
  3.3 本章节小结  38-40
第四章局部保持多向量非线性Fisher相关判别分析  40-53
  4.1 算法设计和可行性分析  40-45
    4.1.1 线性LPMVF  40-43
    4.1.2 基于核空间的非线性KLPMVF  43-45
    4.1.3 子模式判别型SpKLPMVF  45
  4.2 仿真实验与分析  45-52
    4.2.1 数据可视化实验  46-47
    4.2.2 基于UCI数据集的分类实验  47-49
    4.2.3 木材节子缺陷识别实验  49-52
  4.3 本章节小结  52-53
第五章结束语  53-55
  5.1 已完成工作小结  53-54
  5.2 未来工作展望  54-55
参考文献  55-60
攻读硕士学位期间的研究成果和发表的论文  60-62
详细摘要  62-65

基于嵌入空间的降维算法建模研究及应用

内容摘要

全文目录

相似论文