学位论文 > 优秀研究生学位论文题录展示
统计形状分析及混合建模理论研究
作 者: 张春燕
导 师: 罗斌
学 校: 安徽大学
专 业: 计算机应用技术
关键词: 统计形状分析 测地线距离 RPEM算法 模型选择
分类号: TP311.5
类 型: 博士论文
年 份: 2007年
下 载: 213次
引 用: 2次
阅 读: 论文下载
内容摘要
模式识别是一门以应用数学为理论基础,利用计算机应用技术,解决实际分类及识别问题的学问。统计和微分几何规范理论和技术在模式识别中有着广泛的应用,尤其是在形状分析以及混合模型的无监督学习问题中。本文以统计理论和微分几何为理论基础,重点研究两方面的内容:(a)对基于微分流形的形状分析相关问题进行了较为系统的研究;(b)对于混合模型的无监督学习的理论和方法进行研究,尤其是模型分支数目的选择问题。在基于微分流形的形状分析方面,以平面上的简单闭合形状为研究对象,深入研究基于该理论框架下的形状分析。在传统的方法中,统计形状分析主要是使用地标点(landmark)来建立形状特征关键点的数学模型,通过主成分分析来学习其关键点的参数,或水平集的方法来建立形状模型。但是这些方法都存在需要人工干预、不能实现拓扑变形等缺陷。因而,针对这些缺陷,我们需要构建一个统一的、具有拓扑不变性的形状空间。在此空间下,借助合适的概率模型,通过从训练集中学习到的关键参数,推导和演绎出其他未知形状,进而对形状进行识别。本文以微分几何为分析工具,利用弧长为参数的函数去描述平面简单闭合形状,建立了一个无限维的微分流形。形状之间的变化被表示为这些流形上的李群作用。旋转,平移,缩放的不变性通过低维的群作用实现;形状平滑的连续变化模型可以通过高维的微分同胚群来建立,即借用微分几何中直线沿曲面上的曲线平行移动的方法,在形状空间中给出两个形状连续变化的测地线路径。混合模型作为统计形状分析有力工具而备受关注,本文对混合模型的无监督学习理论和方法进行了深入研究。混合模型中一个关键的问题是模型中分支数目k的估计,一些经典的混合模型拟合方法(比如极大似然方法、Bayes方法)都是在固定k的情况下进行的。而实际应用中k的值多数是未知的,一般从数据集对其进行估计。估计k的值是期望最大化算法拟合有限混合模型的主要困难,只有获得正确的k后才能对模型其它参数进行估计。传统的模型选择方法是在原有的参数估计算法后加入一个准则函数,尝试多个可能的k(kmin—kmax),并比较不同k下基于似然函数的某种准则函数的值,再根据某一检验准则对它们进行检验,选择检验结论好的那一个k作为最优分支数。这种方法需要估计多个k值下的参数,当混合模型的密度函数为t分布时,计算复杂度会变得异常的高。为了解决这个问题,本文提出了t混合模型的次胜者受罚的期望值最大化(RPEM)算法,其思路是在期望最大化算法中加入惩罚项,在似然函数里设计出特殊的加权项,使EM算法在初始类中心的位置参数更新时,分成获胜点和次胜点分别更新,获胜者取正的学习率,次胜者取负的学习率,将初始的部分种子点逐渐收敛到数据集的实际类中心,其余的种子点则被“推到”远离数据集的位置。该算法能够在一次参数估计中就实现对t混合模型的分支数的估计,具有良好的性能。
|
全文目录
摘要 4-6 Abstract 6-8 目录 8-11 插图 11-15 表格 15-16 第一章 绪论 16-25 1.1 引言 16-19 1.2 统计模式识别 19-20 1.3 统计形状分析在模式识别中的作用 20-21 1.4 模式识别中的无监督学习 21-22 1.5 本文的研究内容与章节安排 22-25 第二章 统计形状分析的理论和方法 25-46 2.1 引言 25 2.2 国内外研究现状 25-27 2.3 主动轮廓线模型 27-29 2.4 主动形状模型 29-32 2.4.1 地标点 30-31 2.4.2 主动形状模型的建立 31-32 2.5 形状描述与特征提取 32-44 2.5.1 形状的描述 33-34 2.5.2 形状描述的傅立叶方法 34-35 2.5.3 保持相位信息的傅立叶函数归一化 35-37 2.5.4 基于概率模型的形状编辑距离 37-44 2.6 小结 44-46 第三章 微分流形形状分析的理论和方法 46-62 3.1 引言 46-47 3.2 流形的概念 47-50 3.2.1 带参数的轮廓描述 47-48 3.2.2 切线,方向函数和曲率函数 48-50 3.3 基于微分流形的形状空间构建 50-57 3.3.1 基于方向函数形状空间构建 50-55 3.3.2 基于曲率函数的形状空间构建 55-57 3.4 形状之间的测地线路径 57-61 3.5 小结 61-62 第四章 有限线性混合模型的无监督学习 62-90 4.1 引言 62-64 4.2 无监督学习已有算法 64-67 4.2.1 分层的方法 64-65 4.2.2 分割的方法 65-66 4.2.3 图论的方法 66-67 4.3 混合模型的无监督学习 67-69 4.3.1 混合模型定义 68 4.3.2 混合模型的可辨识性 68-69 4.4 有限混合模型密度的参数估计方法 69-73 4.4.1 参数估计的相关方法 69-71 4.4.2 有限线性混合模型密度参数估计的极大似然方法 71-73 4.5 有限线性混合模型参数估计的期望最大化算法 73-80 4.5.1 混合模型参数估计的期望最大化算法 75-76 4.5.2 基于多维高斯混合模型的期望最大化算法 76-77 4.5.3 基于多维t混合模型的期望最大化算法 77-80 4.6 实验结果 80-90 第五章 混合模型分支数的选择 90-122 5.1 引言 90-91 5.2 解决模型分支数的研究现状 91-95 5.2.1 似然函数法 92-94 5.2.2 其他方法 94-95 5.3 基于次胜者受罚的混合模型分支数的选择 95-101 5.3.1 传统的竞争学习 95-96 5.3.2 次胜者受罚的竞争学习 96-99 5.3.3 次胜者受罚的有约束竞争学习算法 99-101 5.3.4 随机的次胜者受罚的竞争学习算法 101 5.4 基于次胜者受罚的混合模型分支数选择的算法 101-106 5.4.1 加权极大似然估计 101-104 5.4.2 基于加权极大似然估计的次胜者受罚期望最大化算法 104-106 5.5 基于高斯混合模型的次胜者受罚期望最大化算法 106-108 5.5.1 多维高斯混合模型的加权似然函数 106-107 5.5.2 多维高斯混合模型的次胜者受罚期望最大化算法 107-108 5.6 基于t混合模型分支数估计的次胜者受罚期望最大化算法 108-111 5.6.1 多维t混合模型的加权似然函数 109-110 5.6.2 多维t混合模型的次胜者受罚期望最大化算法 110-111 5.7 实验结果 111-122 第六章 总结 122-124 参考文献 124-136 攻读博士学位期间发表的论文 136-138 攻读博士学位期间所参加的科研项目 138-140 致谢 140
|
相似论文
- 贝叶斯方法下二值与多值序次数据模型与异常点的同时识别,O212.1
- 新产品研发项目团队成员选择方法研究及应用,F273.2
- 贝叶斯网络结构学习算法研究,TP311.13
- 基于LDA模型的文本分类研究,TP391.1
- 支持向量机训练算法的研究与优化,TP18
- 平稳AR模型阶数的贝叶斯因子判据,O212.8
- 基于顾客行为的战略规则研究,F713.55
- 选择性环氧合酶-2抑制剂对实验性Barrett食管的作用研究,R571
- 贝叶斯方法在模型选择中的应用,O29
- 非线性动态模型MCMC方法的研究,O211.67
- 线性混合模型的模型选择,O212.1
- 流域水文预报模型知识管理,P338.9
- 异形截面短肢剪力墙力学分析模型对比及其选择研究,TU973.16
- 关于统计学习模型复杂性评价与估计的若干研究,TP18
- 基于机器学习的人脸画像自动生成算法研究,TP391.41
- 基于BP神经网络的软件可靠性模型选择研究,TP183
- 通过交叉验证准则选择线性模型,O211
- 支持向量回归机研究及其应用,TP181
- 基于RBF核的SVM学习算法优化及其在蛋白质二级结构预测中的应用,TP18
- 运用Gibbs抽样方法处理混合正态模型的一个实际应用问题,O212.2
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机软件 > 程序设计、软件工程 > 软件工程
© 2012 www.xueweilunwen.com
|