学位论文 > 优秀研究生学位论文题录展示
半监督降维及其在超光谱图像分类中的应用研究
作 者: 陈诗国
导 师: 张道强
学 校: 南京航空航天大学
专 业: 计算机科学与技术
关键词: 半监督降维 特征提取 特征选择 成对约束 稀疏表示
分类号: TP391.41
类 型: 硕士论文
年 份: 2011年
下 载: 72次
引 用: 0次
阅 读: 论文下载
内容摘要
半监督降维是近年来半监督学习领域的研究热点之一。当今流行的半监督降维方法可以分成三类:基于类别标号的方法、基于成对约束的方法和基于其他监督信息的方法。其中,成对约束指的是两个样本是否属于同一类别的一种约束关系,由于它比类标号更易获取,因此越来越受到研究者们的重视。另一方面,降维是超光谱图像分类的一个重要的步骤,已经有很多超光谱图像降维方法,这些方法大概可以分成两类,特征提取和特征选择。而现有的方法大多是有监督的,或者无监督的,半监督超光谱图像降维还是一个较新的领域,只有很少的研究工作。因此,本文对基于成对约束的半监督降维方法进行深入研究,并将其应用于超光谱图像分类中。本文的主要创新和研究工作有三点,分别如下:(1)对现有的半监督降维方法进行综述,并在大量的标准数据集上对这些方法的性能进行实验比较,并据此得出一些经验性的启示。(2)提出了一个基于成对约束的半监督超光谱图像降维框架。更进一步,在该降维框架中引入稀疏表示的思想,提出了一个新的半监督特征提取算法SSDRsp。在超光谱图像数据上的实验结果显示了我们提出的方法的有效性。(3)在Constraint Score算法的基础上,提出了基于稀疏结构的半监督特征选择算法Semi-SS。最后,比较了现有的一些方法在超光谱图像数据上的性能。
|
全文目录
摘要 4-5 Abstract 5-11 第一章 绪论 11-19 1.1 研究背景及其意义 11-13 1.2 数据降维 13-14 1.3 半监督学习 14-15 1.4 基于成对约束的学习 15-16 1.5 本文的主要工作和内容安排 16-19 第二章 半监督降维方法分析和实验比较 19-35 2.1 引言 19-20 2.2 半监督降维 20-25 2.2.1 基于类别标号的方法 21-23 A. 半监督概率PCA(S2PPCA) 21-22 B. 分类约束降维(CCDR) 22 C. 半监督判别分析(SDA) 22 D. 半监督局部Fisher 判别分析(SELF) 22 E. 基于流形的半监督局部Fisher 判别分析(SSLFDA) 22-23 2.2.2 基于成对约束的方法 23-25 A. 约束Fisher 判别分析(cFDA) 24 B. 基于约束的半监督特征提取框架(SSDR) 24 C. 约束的局部保持投影(cLPP) 24 D. 邻域保持半监督降维(NPSSDR) 24-25 2.3 实验比较 25-33 2.3.1 实验设置 25-26 2.3.2 实验结果分析 26-33 A.UCI 标准数据集上的实验比较 26-28 B.半监督学习数据集上的实验比较 28-30 C.人脸标准数据集上的实验比较 30-33 2.4 本章小结 33-35 第三章 半监督超光谱图像特征提取算法 35-51 3.1 引言 35-37 3.2 稀疏表示 37-39 3.2.1 稀疏表示的求解 37-38 3.2.2 稀疏重构 38-39 3.3 半监督特征提取算法 39-42 3.3.1 半监督特征提取框架 39-40 3.3.2 全局方差保持的半监督特征提取算法(SSDRpca) 40-41 3.3.3 稀疏保持的半监督特征提取算法(SSDRsp) 41-42 3.4 实验结果与分析 42-50 3.4.1 实验设置 43-44 3.4.2 超光谱图像分类性能分析 44-50 3.5 本章小结 50-51 第四章 半监督超光谱图像特征选择算法 51-63 4.1 引言 51-52 4.2 监督和无监督特征选择的典型方法 52-54 4.3 半监督特征选择算法 54-57 4.3.1 基于方差的半监督特征选择算法(Semi-VS) 54-55 4.3.2 基于局部结构的半监督特征选择算法(Semi-LS) 55 4.3.3 基于稀疏结构特征选择算法 55-57 4.4 实验结果与分析 57-61 4.4.1 实验设置 57-58 4.4.2 超光谱图像分类性能分析 58-61 4.5 本章小结 61-63 第五章 总结与展望 63-65 5.1 已有工作总结 63 5.2 未来工作展望 63-65 参考文献 65-73 致谢 73-75 攻读硕士学位期间发表的学术论文 75
|
相似论文
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- Q学习在基于内容图像检索技术中的应用,TP391.41
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
- 基于仿生模式识别的文本分类技术研究,TP391.1
- 空间交会接近视觉测量方法研究,TP391.41
- 图像实时采集、存储与处理方法研究,TP391.41
- 唇读中的特征提取、选择与融合,TP391.41
- 多币种纸币处理技术的研究与实现,TP391.41
- 基于类Harr特征和最小包含球的纸币识别方法的研究,TP391.41
- 基于图像的路面破损识别,TP391.41
- 移动机器人视觉检测和跟踪研究,TP242.62
- 高光谱与高空间分辨率遥感图像融合算法研究,TP751
- 基于随机森林的植物抗性基因识别方法研究,Q943
- 基于图像处理技术的烟叶病害自动识别研究,S435.72
- 基于视觉的番木瓜外观品质检测技术研究,S667.9
- 羊绒与羊毛纤维鉴别系统的研究,TS101.921
- 红外图像目标识别及跟踪技术研究,TP391.41
- 水下目标特征的压缩与融合技术研究,TN911.7
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 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|