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

  1. 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
  2. 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
  3. 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
  4. Q学习在基于内容图像检索技术中的应用,TP391.41
  5. 直推式支持向量机研究及其在图像检索中的应用,TP391.41
  6. 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
  7. 基于仿生模式识别的文本分类技术研究,TP391.1
  8. 空间交会接近视觉测量方法研究,TP391.41
  9. 图像实时采集、存储与处理方法研究,TP391.41
  10. 唇读中的特征提取、选择与融合,TP391.41
  11. 多币种纸币处理技术的研究与实现,TP391.41
  12. 基于类Harr特征和最小包含球的纸币识别方法的研究,TP391.41
  13. 基于图像的路面破损识别,TP391.41
  14. 移动机器人视觉检测和跟踪研究,TP242.62
  15. 高光谱与高空间分辨率遥感图像融合算法研究,TP751
  16. 基于随机森林的植物抗性基因识别方法研究,Q943
  17. 基于图像处理技术的烟叶病害自动识别研究,S435.72
  18. 基于视觉的番木瓜外观品质检测技术研究,S667.9
  19. 羊绒与羊毛纤维鉴别系统的研究,TS101.921
  20. 红外图像目标识别及跟踪技术研究,TP391.41
  21. 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